VERIFIKASI PREDIKSI ENSO MUSIMAN MODEL DINAMIK OPERASIONAL IRI (INTERNATIONAL RESEARCH INSTITUTE) A N D I K A H

Skripsi Geofisika

VERIFIKASI PREDIKSI ENSO MUSIMAN MODEL DINAMIK OPERASIONAL IRI (INTERNATIONAL RESEARCH INSTITUTE)

OLEH :

ANDIKA H221 13 008

PROGRAM STUDI GEOFISIKA JURUSAN FISIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS HASANUDDIN MAKASSAR 2017


OLEH : ANDIKA H221 13 008

SKRIPSI

Untuk Melengkapi Tugas Akhir Dan Memenuhi Syarat Memperoleh Gelar Sarjana Pada Program Studi Geofisika Jurusan Fisika

i

LEMBAR PENGESAHAN


ANDIKA H221 13 008

Disetujui Oleh :

Pembimbing Utama

Pembimbing Pertama

Prof. Dr. H. Halmar Halide, M.Sc 1963030151987101001

Nur Hasanah, S.Si, M.Si 198311222009122001

Pada tanggal 14 Februari 2017

ii

ABSTRAK Penelitian ini mengarah kepada analisis kualitas prediksi 4 model dinamik (NCEP, SIO, KNU, AVEDyn) dalam meramalkan ENSO lalu dibandingkan dengan data observasi ENSO itu sendiri. Menggunakan 3 metrik pengukuran yaitu korelasi pearson, root mean square error (RMSE), dan jarak euklidean. Menggunakan data dari rentang waktu 10 tahun yang dimulai dari musim Agustus-September-Oktober (ASO) 2006 hingga Juli-Agustus-September (JAS) 2016. Dimana diperoleh bahwa model yang paling baik dalam meramalkan ENSO adalah model dinamik AVEDyn.

Kata Kunci : Verifikasi, Prediksi, ENSO, Model, Dinamik

iii

ABSTRACT This research leads to quality analysis of the 4 dynamic model predictions (NCEP, SIO, KNU, AVEDyn) in forecasting ENSO and then compared with observational data ENSO itself. Using three metrics measurement that is the Pearson correlation, root mean square error (RMSE), and the Euclidean distance. Using data from a span of 10 years starting from the season of AugustSeptember-October (ASO) in 2006 until July-August-September (JAS) in 2016. Where was obtained that the best model in forecasting ENSO is a dynamic model AVEDyn.

Keyword: Verification, Forecast, ENSO, Model, Dynamic

iv

KATA PENGANTAR

“Assalamu’ Alaikum Warohmatullahi Wabarokaatuh” “Dan Dia Maha Kuasa Atas Segala Sesuatu”, Alhamdulillah, penulis ucapkan terutama kepada Rabb-ku, penggenggam hidupku, atas lembaran-lembaran skenario kehidupan yang telah diberikannya untukku, Dialah Rabb Yang Maha Penyayang dan Maha Indah yang telah memperindah hari kemarin, hari ini dan Insya Allah akan memperindah hari esok. Segala puji dan syukur penulis haturkan kehadirat Allah Subhanahu wa Ta’ala yang telah menganugerahi nikmat terbesar, yaitu nikmat Iman dan Islam. Rabb yang tiada berhak untuk disekutukan dengan apapun dan siapapun, Dialah Ilah yang berhak untuk disembah yang telah Menciptakan dan tidak membiarkan manusia tersesat di atas bumi-Nya dengan menurunkan kitab dan mengutus RasulNya yang mulia Baginda Besar Muhammad Shallallahu ‘alaihi wa sallam yang senantiasa memberikan pemahaman fikrah harakah Islam secara benar dan penuh argument kepada kaum muslim, beserta ahlul bait, sahabat, shahabiyah dan orang-orang yang istiqomah menapaki jalan sunnahnya hingga yaumil akhir. Ucapan terima kasih penulis haturkan kepada semua pihak yang telah memberikan bantuan, bimbingan, motivasi dalam menyelesaikan studi. Rampungnya skripsi ini adalah berkat sumbangsih dari berbagai pihak baik moril maupun materil. Untuk itu dengan tulus hati penulis mengucapkan terima kasih dan penghargaan sebesar-besarnya kepada: 1. Bapak Dr. Tasrief Surungan, M.Sc selaku ketua Jurusan Fisika FMIPA Unhas dan Bapak Syamsuddin, S.Si, MT selaku sekretaris Jurusan Fisika FMIPA Unhas. 2. Bapak Prof. Dr. H. Halmar Halide, M.Sc selaku Pembimbing Utama, Ibu Nur Hasanah, S.Si, M.Si selaku Pembimbing Pertama yang telah bersedia meluangkan waktu membimbing dan memotivasi hingga tulisan ini dapat diselesaikan. 3. Bapak Dr. M. Alimuddin Hamzah, M.Sc ,Bapak Dr. Eng Amiruddin, S.Si, M.Si, Bapak Drs. Hasanuddin, M.Si selaku tim penguji yang telah memberikan arahan dan masukan terhadap penulisan skripsi ini. v

4. Bapak Dr. Muh. Altin Massinai, MT.Surv selaku ketua Prodi Geofisika. 5. Bapak Syamsuddin, S.Si, MT selaku Penasehat Akademik yang terus memberikan motivasi terhadap penulis. 6. Seluruh Dosen Jurusan Fisika UNHAS, Staf FMIPA Unhas, Staf Jurusan Fisika Unhas, Staf Laboratorium FMIPA Unhas, Staf Perpustakaan FMIPA Unhas dan Staf Perpustakaan Umum Unhas, “Jazakumolloh khoir atas semua bantuannya. 7. Teman-teman Geofisika 2013 FMIPA UNHAS yang telah berjuang dan menghabiskan waktu bersama di bangku kuliah. 8. Teman-teman seperguruan, Om Sultan (Fisika 13), Kaka Fandy (Biologi 13), Kaka Ayu (Kimia 13), dan Kaka Inna (Biologi 13). 9. Teman-teman Astronom Amatir Makassar (AAM) 10. Ikhwah-ikhwah UKM LDK MPM UNHAS 11. Teman-teman Anime Lovers Hasanuddin (ALOHA) 12. Teman-teman MPN-Sains Universitas Hasanuddin 13. Teman-teman Pecandu Aksara Makassar 14. Teman-teman KKN 93 UNHAS Kecamatan Minasatene dan lebih khususnya lagi untuk Posko Kelurahan Bonto Langkasa, Kabupaten Pangkajene & Kepulauan. 15. Best friend selama kuliah; Eko Arie Pratama (H22113006) 16. Rekan seperjuangan tugas akhir; Muh. Zulfitrah Dassir (H22113021) 17. Teristimewa untuk Ainur Rahmadhani (A31115331) yang menjadi motivasi diri ini untuk menjadi pribadi yang lebih baik dan tak lelah untuk terus memantaskan diri serta meningkatkan kualitas diri.

Tak lupa pula, terimakasih dan penghargaan tak ternilai teruntuk Keluarga Besarku, Kedua Orangtuaku, Adikku, dan banyak lagi orang-orang yang berperang penting dalam kehidupanku. Sangat penting artinya bagiku untuk menuliskan nama-nama mereka yang begitu banyak memberi arti dalam kehidupanku sehingga dengan keterbatas ingatanku, kuucapkan permohonan maaf yang sebesar-besarnya bila ada nama yang terlewatkan. Hanya Allah yang telah mencatatnya lebih lengkap. Di akhir ucapkan terima kasih ini, aku ingin mengatakan kepada setiap orang yang kutemui dalam hidupku, betapa kalian telah memberikan begitu banyak jasa yang tidak pernah bisa kubayar. Dari lubuk hatiku yang vi

terdalam, kuucapkan terima kasih untuk semua orang yang telah disinggahkan oleh Allah untukku. Hanya Allah sebaik-baik Pemberi balasan atas semua kebaikan.

Penulis menyadari jauhnya kesempurnaan dari skripsi ini, sehingga dengan segala kerendahan hati penulis mengharapkan sumbangsih berupa saran yang bersifat membangun guna memperbaiki kekurangan yang ada. Demikian pun penulis tetap berharap agar tulisan ini bisa sedikitnya member manfaat bagi siapapun yang membuka dan membacanya. Wassalaamu’ Alaikum Warohmatullahi Wabarokaatuh”

Makassar, 14 Februari 2017

vii

DAFTAR ISI

HALAMAN JUDUL LEMBAR PENGESAHAN .........................................................................

ii

ABSTRAK...................................................................................................

iii

KATA PENGANTAR .................................................................................

v

DAFTAR ISI ............................................................................................... viii DAFTAR GAMBAR ..................................................................................

xi

DAFTAR TABEL ......................................................................................

xv

DAFTAR LAMPIRAN ...............................................................................

xvi

BAB I. PENDAHULUAN I.1. Latar Belakang ..........................................................................

1

I.2. Ruang Lingkup ...........................................................................

2

I.3. Tujuan ........................................................................................

3

BAB II. TINJAUAN PUSTAKA II.1. El Niño Southerm Oscillation (ENSO) .......................................

4

II.1.1 Defenisi ENSO...................................................................

4

II.1.2 Dampak ENSO di Indonesia ...............................................

11

II.2. Model Dinamik ..........................................................................

15

II.2.1.NCEP.... .............................................................................

15

II.2.2.SIO........ .............................................................................

16

II.2.3.KNU...................................................................................

16

II.3. Verifikasi Prediksi ........... ..........................................................

17

viii

II.2.1.Korelasi Pearson ................................................................

19

II.2.2.Root Mean Square Error (RMSE) .......................................

21

II.2.3.Euclidean Distance .............................................................

21

BAB III. METODOLOGI III.1 Data Penelitian .........................................................................

23

III.2.1 Data Observasi ENSO Musiman (Niño 3.4) .....................

23

III.2.2 Data Prediksi ENSO Musiman Model Dinamik .................

23

III.2 Koreksi dan Penyesuaian Data ...................................................

24

III.3 Verifikasi Prediksi Menggunakan Matlab 2013 ..........................

24

III.5 Membandingkan Verifikasi Prediksi Setiap Model Dinamik ......

25

III.6 Bagan Alir Penelitian ................................................................

26

III.6.1 Membandingkan Akurasi Prediksi ENSO 4 Model Dinamik ..........................................................................

26

III.6.2 Membandingkan Akurasi Prediksi ENSO 5 Tahun Awal (ASO 2006-JAS 2011) dan 5 Tahun Akhir (ASO 2011JAS 2016) .......................................................................

27

BAB IV. HASIL DAN PEMBAHASAN IV.1 Hasil... .......................................................................................

28

IV.1. 1 Grafik Deret Waktu Prediksi ENSO Musiman 4 Model Dinamik ........................................................................................

28

IV.1.2 Diagram Sebaran Akurasi Prediksi 4 Model Dinamik .........

32

IV.1.3 Verifikasi Prediksi 4 Model Dinamik .................................

37

ix

IV.1.3.1 Korelasi Pearson dan Root Mean Square Error (RMSE). .....................................................................................

37

IV.1.3.2 Jarak Euklidean .............................................................

38

IV.1.4 Perbandingan Akurasi Prediksi Periode Pertama dan Periode kedua 4 Model Dinamik ....................................................................... 41 IV.1.4.1 Korelasi Pearson dan Root Mean Square Error (RMSE) .... 42 IV.1.4.2 Jarak Euklidean ................................................................. 43 IV.1.5 Verifikasi Prediksi 4 Model Dinamik Masing-Masing Fase ENSO .................................................................................................. 46 IV.1.5.1 Korelasi Pearson dan Root Mean Square Error (RMSE) ....... 46 IV.1.5.2 Jarak Euklidean.................................................................... 48 IV.1.6 Perbandingan Akurasi Prediksi Periode Pertama dan Periode kedua 4 Model Dinamik Masing-Masing Fase ENSO .......................... 52 IV.1.6.1 Korelasi Pearson .................................................................. 53 IV.1.6.2 Root Mean Square Error (RMSE) ........................................ 54 IV.1.6.3 Jarak Euklidean.................................................................... 56 IV.2 Pembahasan ........................................................................................ 63 BAB V. PENUTUP V.1 Kesimpulan .......................................................................................... 71 V.2 Saran.................................................................................................... 71 DAFTAR PUSTAKA LAMPIRAN

x

DAFTAR GAMBAR

Gambar 2.1 Peta sebaran SST saat kejadiaan El Niño Desember 1997 dan saat kejadian La Niña Desember 1998……………......................................................5 Gambar 2.2 Kondisi daerah tropis Samudera Pasifik saat kondisi normal….......6 Gambar 2.3 Kondisi daerah tropis Samudera Pasifik saat kondisi El Niño..........7 Gambar 2.4 Kondisi daerah tropis Samudera Pasifik saat kondisi La Niña..........8 Gambar 2.5 Daerah monitoring El Niño ..............................................................9 Gambar 2.6 Daerah monitoring Southern Oscillation Index...............................10 Gambar 2.7 Peta korelasi El Niño dan Curah hujan Indonesia...........................12 Gambar 2.8 Persentase anomali curah hujan selama periode El Niño................13 Gambar 2.9 Persentase anomali curah hujan selama periode La Niña...............14 Gambar 2.10 Penentuan nilai Euclidean Distance..............................................22 Gambar 4.1 Grafik deret waktu prediksi ENSO musiman model dinamik untuk lead 1....................................................................................................................28 Gambar 4.2 Grafik deret waktu prediksi ENSO musiman model dinamik untuk lead 2....................................................................................................................29 Gambar 4.3 Grafik deret waktu prediksi ENSO musiman model dinamik untuk lead 3....................................................................................................................29 Gambar 4.4 Grafik deret waktu prediksi ENSO musiman model dinamik untuk lead 4....................................................................................................................30

xi

Gambar 4.5 Grafik deret waktu prediksi ENSO musiman model dinamik untuk lead 5...................................................................................................................30 Gambar 4.6 Grafik deret waktu prediksi ENSO musiman model dinamik untuk lead 6...................................................................................................................31 Gambar 4.7 Grafik deret waktu prediksi ENSO musiman model dinamik untuk lead 7...................................................................................................................31 Gambar 4.8 Diagram sebaran hasil prediksi dibandingkan dengan observasi untuk model dinamik NCEP...............................................................................33 Gambar 4.9 Diagram sebaran hasil prediksi dibandingkan dengan observasi untuk model dinamik SIO..................................................................................34 Gambar 4.10 Diagram sebaran hasil prediksi dibandingkan dengan observasi untuk model dinamik KNU................................................................................35 Gambar 4.11 Diagram sebaran hasil prediksi dibandingkan dengan observasi untuk model dinamik AVEDyn.........................................................................36 Gambar 4.12 Hasil korelasi pearson dan RMSE 4 model dinamik.................38 Gambar 4.13 Hasil jarak euklidean 4 model dinamik......................................39 Gambar 4.14 Pembagian range periode pertama dengan periode kedua.........41 Gambar 4.15 Perbandingan korelasi antara periode pertama dengan periode kedua 4 model dinamik.....................................................................................42 Gambar 4.16 Perbandingan RMSE antara periode pertama dengan periode kedua 4 model dinamik.....................................................................................42 Gambar 4.17 Perbandingan jarak euklidean antara periode pertama dengan periode kedua 4 model dinamik........................................................................43

xii

Gambar 4.18 Hasil korelasi pearson dan RMSE 4 model dinamik pada fase El Niño....................................................................................................46 Gambar 4.19 Hasil korelasi pearson dan RMSE 4 model dinamik pada fase Normal....................................................................................................47 Gambar 4.20 Hasil korelasi pearson dan RMSE 4 model dinamik pada fase La Niña....................................................................................................47 Gambar 4.21 Hasil jarak euklidean 4 model dinamik pada fase El Niño.....48 Gambar 4.22 Hasil jarak euklidean 4 model dinamik pada fase normal......48 Gambar 4.23 Hasil jarak euklidean 4 model dinamik pada fase La Niña....49 Gambar 4.24 Perbandingan korelasi antara periode pertama dengan periode kedua 4 model dinamik pada fase El Niño....................................................53 Gambar 4.25 Perbandingan korelasi antara periode pertama dengan periode kedua 4 model dinamik pada fase normal.....................................................53 Gambar 4.26 Perbandingan korelasi antara periode pertama dengan periode kedua 4 model dinamik pada fase La Niña....................................................54 Gambar 4.27 Perbandingan RMSE antara periode pertama dengan periode kedua 4 model dinamik pada fase El niño.....................................................54 Gambar 4.28 Perbandingan RMSE antara periode pertama dengan periode kedua 4 model dinamik pada fase normal.....................................................55 Gambar 4.29 Perbandingan RMSE antara periode pertama dengan periode kedua 4 model dinamik pada fase La niña....................................................55 Gambar 4.30 Perbandingan jarak ekludiean antara periode pertama dengan periode kedua 4 model dinamik pada fase El Niño......................................56

xiii

Gambar 4.31 Perbandingan jarak ekludiean antara periode pertama dengan periode kedua 4 model dinamik pada fase normal......................................56 Gambar 4.32 Perbandingan jarak ekludiean antara periode pertama dengan periode kedua 4 model dinamik pada fase La Niña......................................57

xiv

DAFTAR TABEL

Tabel 2.1 Tabel profil setiap model dinamik individu....................................... 18 Tabel 2.2 Interpretasi dari nilai r positif………………………….........….…....20 Tabel 2.3 Interpretasi dari Nilai r negatif.....................……………........…..….20 Tabel 4.1 Nilai korelasi, RMSE, dan jarak euklidean pada Gambar 4.12 dan Gambar 4.1......................................................................................................................40 Tabel 4.2 Nilai korelasi, RMSE, dan jarak euklidean untuk periode pertama pada Gambar 4.15, Gambar 4.16, dan Gambar 4.17............................................................... 44 Tabel 4.3. Nilai korelasi, RMSE, dan jarak euklidean untuk periode kedua pada Gambar 4.15, Gambar 4.16, dan Gambar 4.17...............................................................45 Tabel 4.4 : Nilai korelasi, RMSE, dan jarak euklidean untuk fase El Niño pada Gambar 4.18 dan Gambar 4.21.....................................................................................................49 Tabel 4.5 : Nilai korelasi, RMSE, dan jarak euklidean untuk fase normal pada Gambar 4.19 dan Gambar 4.22.....................................................................................................50 Tabel 4.6 : Nilai korelasi, RMSE, dan jarak euklidean untuk fase La Niña pada Gambar 4.20 dan Gambar 4.23.....................................................................................................51 Tabel 4.7 : Nilai korelasi, RMSE, dan jarak euklidean untuk fase El Niño di periode pertama pada Gambar 4.24, Gambar 4.27 dan Gambar 4.30..........................................57 Tabel 4.8 : Nilai korelasi, RMSE, dan jarak euklidean untuk fase El Niño di periode kedua pada Gambar 4.24, Gambar 4.27 dan Gambar 4.30.............................................58 Tabel 4.9 : Nilai korelasi, RMSE, dan jarak euklidean untuk fase normal di periode pertama pada Gambar 4.25, Gambar 4.28 dan Gambar 4.31..........................................59 Tabel 4.10 : Nilai korelasi, RMSE, dan jarak euklidean untuk fase normal di periode kedua pada Gambar 4.25, Gambar 4.28 dan Gambar 4.31.............................................60 Tabel 4.11 : Nilai korelasi, RMSE, dan jarak euklidean untuk fase La Niña di periode pertama pada Gambar 4.26, Gambar 4.29 dan Gambar 4.32.........................................61 Tabel 4.12 : Nilai korelasi, RMSE, dan jarak euklidean untuk fase La Niña di periode kedua pada Gambar 4.26, Gambar 4.29 dan Gambar 4.32.............................................62

xv

DAFTAR LAMPIRAN

Lampiran 1 : Hasil perbandingan korelasi, RMSE, dan jarak euklidean periode pertama dan periode dua untuk setiap model dinamik pada seluruh fase dan setiap fase (El Niño, normal, La Niña). Lampiran 2 : Data time series observasi dan prediksi ENSO setiap lead 4 model dinamik.

xvi

BAB I PENDAHULUAN

1.1 Latar Belakang

El Niño–Southern Oscillation (ENSO) adalah sebuah fenomena hidro-meteorologi yang terjadi di daerah tropis Indo-Pasifik dimana memberikan pengaruh penting terhadap prediksi anomali iklim tahunan di seluruh dunia (Ropelewski dan Halpert 1987; Philander 1990; Glantz 2000; Tippett dan Barnston 2008). Meskipun ENSO berasal dan berkembang di daerah tropis Samudera Pasifik, tetapi efek dari ENSO sangat terasa di luar daerah tropis Samudera Pasifik yang berdampak pada suhu dan curah hujan secara global (Bradley dkk., 1987). Selain itu ENSO juga memberikan dampak sosial-ekonomi dalam bidang pertanian (Mjelde dkk., 1999) dan perikanan (Allison dkk., 2009). Kesuksesan dalam memprediksi ENSO dapat memberikan kesempatan untuk pengambilan keputusan dalam mengantisipasi anomali iklim dan berpotensi mengurangi dampak sosial-ekonomi yang dapat ditimbulkan oleh fenomena alam ini.

Prediksi ENSO umumnya dilakukan oleh sebuah model dinamik atau model statistik. Di seluruh dunia sudah banyak institusi yang berlomba-lomba untuk menemukan dan mengembangkan sebuah model prediksi ENSO yang paling akurat, baik itu menggunakan sistem dinamik maupun sistem statistik. Namun dalam penelitian ini, penulis terfokus pada institusi-institusi yang memakai model dinamik untuk memprediksi ENSO. Kelebihan menggunakan model dinamik

1

adalah karena model dinamik lebih elegan dan modern dibandingkan dengan model statistik yang menggunakan data di masa lalu sebagai acuan prediksinya (Barnston dkk., 1999). Terlebih lagi diketahui bahwa iklim bersifat chaos dan terus berubahubah sebagaimana alam yang bersifat dinamis. Demikian juga dalam contoh kasus El Niño tahun 2002/2003, model dinamik cukup baik dalam meramalkannya sedangkan sebagian besar model statistik gagal untuk meramalkan itu (Oldenborgh dkk., 2005).

Verifikasi prediksi dilakukan untuk mengetahui kualitas dan keakuratan sebuah model dinamik dalam meramalkan ENSO. Jika dapat mengetahui model mana yang paling baik dan akurat, maka hal tersebut akan menjadi alasan mengapa suatu model dari sebuah institusi tertentu dapat dipilih sebagai referensi data yang terpercaya untuk berbagai keperluan.

1.2 Ruang Lingkup Penelitian ini dibatasi pada analisis kualitas prediksi model dinamik dalam meramalkan ENSO lalu dibandingkan dengan data observasi ENSO itu sendiri. Analisis model dinamik pada penelitian ini menggunakan tiga buah metrik untuk mengukur kualiatas keakuratan prediksi ENSO yaitu korelasi Pearson, Root Mean Square Error (RMSE), dan Euclidean Distance. Data prediksi dan observasi ENSO dalam penelitian ini diambil dari rentang waktu 10 tahun yang dimulai dari musim Agustus-September-Oktober (ASO) 2006 hingga Juli-Agustus-September (JAS) 2016.

2

1.3 Tujuan Penelitian Tujuan yang akan dicapai dalam penelitian ini adalah : 1.

Membandingkan akurasi prediksi ENSO 4 model dinamik (3 model individu dan 1 model kombinasi).

2.

Membandingkan akurasi prediksi ENSO antara periode pertama yaitu AgustusSeptember-Oktober (ASO) 2006 hingga Juli-Agustus-September (JAS) 2011 dengan periode kedua yaitu Agustus-September-Oktober (ASO) 2011 hingga Juli-Agustus-September (JAS) 2016 setiap model dinamik dan model kombinasi.

3

BAB II TINJAUAN PUSTAKA

II.1. El Niño Southerm Oscillation (ENSO) II.1.1 Defenisi ENSO El Niño–Southern Oscillation (ENSO) adalah gejala penyimpangan (anomali) pada suhu permukaan Samudra Pasifik di pantai Barat Ekuador dan Peru yang lebih tinggi daripada rata-rata normalnya (Trenberth, 1997). Fenomena ini merupakan kombinasi (coupled) dua fenomena laut dan atmosfer yaitu El Niño dan Southern Oscillation. El Niño, menurut sejarahnya adalah sebuah fenomena yang teramati oleh para penduduk atau nelayan Peru dan Ekuador yang tinggal di pantai sekitar Samudera Pasifik bagian timur menjelang hari natal (Desember). Fenomena yang teramati adalah meningkatnya SST yang biasanya dingin. Fenomena ini mengakibatkan perairan yang tadinya subur dan kaya akan ikan (akibat adanya upwelling atau arus naik permukaan yang membawa banyak nutrien dari dasar) menjadi sebaliknya. Pemberian nama El Niño pada fenomena ini disebabkan oleh karena kejadian ini seringkali terjadi pada bulan Desember. El Niño (bahasa Spanyol) sendiri dapat diartikan sebagai "anak lelaki". Di kemudian hari para ahli juga menemukan bahwa selain fenomena menghangatnya SST, terjadi pula fenomena sebaliknya yaitu mendinginnya SST akibat menguatnya upwelling. Kebalikan dari fenomena ini selanjutnya diberi nama La Niña (juga bahasa Spanyol) yang berarti "anak

4

perempuan" (Trenberth, 1997). Fenomena ini memiliki periode 2-7 tahun (Rasmusson and Carpenter, 1982).

Gambar 2.1 : Peta sebaran SST saat kejadiaan El Niño Desember 1997 dan saat kejadian La Niña Desember 1998 (Ahrens, 2009)

Untuk memahami El Niño kita perlu memahami kondisi normal saat El Niño (maupun La Niña) sedang tidak berlangsung. Dalam kondisi normal, keberadaan angin pasat tenggara yang bertiup dari arah yang tetap sepanjang tahun menyebabkan terjadinya arus permukaan yang membawa massa air permukaan ke

5

wilayah Pasifik bagian barat (sekitar Indonesia). Karena adanya daratan Indonesia maupun Australia maka massa air tersebut tertahan dan lama kelamaan terkumpul. Mengingat massa air laut dekat permukaan bersifat hangat maka massa air yang terkumpul tersebut meningkatkan suhu muka laut di Pasifik barat. Pada tahap ini akan terbentuk suatu sirkulasi arus dimana arus permukaan menuju ke arah barat sedangkan arus di lautan dalam menuju ke arah timur. Pergerakan ini diakibatkan oleh massa air yang terkumpul di Pasifik barat akan bergerak turun (downwelling) sehingga arus di pasifik timur akan naik (upwelling). Arus yang naik ini membawa massa air dari lautan dalam yang tentu saja bersifat dingin. Hal inilah yang normal terjadi di Samudera Pasifik dimana suhu muka laut di Pasifik barat (sekitar Indonesia) lebih hangat dibandingkan di Pasifik timur sekitar Pantai Barat Peru (Edward dan Mark, 2010).

Gambar 2.2 : Kondisi daerah tropis Samudera Pasifik saat kondisi normal (Bureau of Meteorology, 2008)

6

Kondisi suhu muka laut sangat erat kaitannya dengan pembentukan awan-awan hujan. Suhu muka laut yang hangat senantiasa beriringan dengan sistem tekanan rendah begitu pun sebaliknya. Adanya perbedaan tekanan udara antara sisi barat dan timur samudera Pasifik akan menimbulkan suatu sirkulasi yang dikenal dengan istilah sirkulasi Walker. Sirkulasi ini menunjukkan bahwa dalam kondisi normal wilayah pasifik barat akan menjadi pusat pembentukan awan-awan konvektif yang membawa hujan (Edward dan Mark, 2010).

Gambar 2.3 : Kondisi daerah tropis Samudera Pasifik saat kondisi El Niño (Bureau of Meteorology, 2008)

Pada kasus El Niño, hal sebaliknya terjadi. Angin pasat tenggara mengalami pelemahan yang bahkan berubah arah menajdi pasat barat daya. Akibatnya suhu muka laut yang lebih hangat akan berpindah ke wilayah samudera Pasifik bagian tengah hingga timur dan wilayah Pasifik barat menjadi lebih dingin. Pusat-pusat

7

pembentukan awan konvektif pun lalu bergeser sehingga Indonesia yang biasa banyak hujan menjadi lebih sedikit. Sebaliknya, wilayah Peru dan sekitarnya yang dalam kondisi normal kondisinya dingin dan kering menjadi lebih hangat dan basah (banyak hujan). Sedangkan La Niña merupakan peristiwa alam yang dapat dikatakan seperti opposite atau kebalikan dari El Niño. La Niña sendiri merupakan suatu kondisi dimana suhu permukaan air laut di wilayah pantai barat Peru atau di lautan Pasifik mengalami penurunan yang lebih dingin dari biasanya (Edward dan Mark, 2010).

Gambar 2.4 : Kondisi daerah tropis Samudera Pasifik saat kondisi La Niña (Bureau of Meteorology, 2008)

El Niño biasanya disertai dengan perubahan sirkulasi di atmosfer yang dikenal sebagai osilasi selatan. Maka dari itu fenomena gabungan (coupled) ini sering disebut dengan istilah ENSO yaitu El Niño Southern Oscillation. El Niño merupakan anomali positif suhu muka laut (SST) di samudera pasifik bagian tengah 8

dan timur (yang menjadi indikator yaitu suhu muka laut di Niño 3.4), sementara Southern Oscillation (Osilasi Selatan) yaitu perbedaan tekanan udara antara Tahiti dan Darwin. Osilasi Selatan dinyatakan oleh Southern Oscillation Index (SOI) (Allan dkk., 1991).

Gambar 2.5 : Daerah monitoring El Niño (UCAR, 2007)

Ada dua cara yang dapat digunakan untuk memprediksi kejadian El Niño. Pertama melalui indeks Niño3.4 yang merupakan anomali suhu muka laut di wilayah Niño3.4 atau Pasifik bagian tengah. Kedua melalui Southern Oscillation Index (SOI) yang merupakan perbedaan tekanan antara Tahiti dan Darwin. Berdasarkan intensitas kejadiannya, indeks El Niño ini dikategorikan dalam tiga kelas yaitu (Trenberth, 1997): 

El Niño Lemah (Weak El Niño), jika penyimpangan suhu muka laut di Pasifik ekuator +0.5º C s/d +1,0º C dan berlangsung minimal selama 3 bulan berturut-turut.



El Niño sedang (Moderate El Niño), jika penyimpangan suhu muka laut di Pasifik ekuator +1,1º C s/d 1,5º C dan berlangsung minimal selama 3 bulan berturut-turut.

9



El Niño kuat (Strong El Niño), jika penyimpangan suhu muka laut di Pasifik ekuator > 1,5º C dan berlangsung minimal selama 3 bulan berturut-turut.

Gambar 2.6 : Daerah monitoring Southern Oscillation Index (NOAA Climate, 2013)

Semakin tinggi anomali suhu muka laut di Niño3.4 atau semakin rendah perbedaan tekanan antara Tahiti dan Darwin maka El Niño dalam kategori kuat. El Niño kuat tentu akan lebih berdampak dibandingkan El Niño sedang maupun lemah. Dalam hal ini juga dapat dikatakan bahwa Indeks SST di Niño 3.4 berkorelasi negatif dengan Indeks SOI (Allan dkk., 1991). Ketika SOI positif (+) merupakan indikasi terjadinya La Niña. Tandanya adalah SLP (Sea Level Pressure) di daerah sekitar Darwin berada lebih rendah dari pada normalnya, sedangkan di Tahiti SLPnya lebih tinggi dibanding normalnya. Gerakan

10

Timuran akan menguat dan membuat kolam panas mengumpul di Darwin. Kondisi inilah yang disebut sebagai La Niña (Allan dkk., 1991). Sedangkan jika indeks SOI negatif (-) merupakan indikasi terjadi El Niño, yang dimana kondisi SLP di Darwin lebih besar dibandingkan normalnya, sedangkan SLP di daerah Tahiti lebih rendah di banding normalnya. Sementara kondisi SLP di Tahiti jauh lebih besar dibanding SLP di daerah timur Pasifik. Gerakan timuran yang melemah akan mendukung kolam panas mengumpul di daerah timur Pasifik. Kondisi inilah yang disebut dengan El Niño (Allan dkk, 1991). El Niño biasa juga disebut sebagai ENSO padahal dua peristiwa ini adalah peristiwa yang berbeda. Seperti yang dikatakan tadi bahwa ENSO atau El Niño Southern Oscillation terdiri dari dua fenomena yakni fenomena El Niño dan Southern Oscillation. El Niño sendiri berarti komponen lautannya sedangkan Southern Oscillation berarti komponen atmosfernya. Oleh karenanya, El Niño menggunakan indeks Niño3.4 yang unsur utamanya suhu muka laut sedangkan ENSO menggunakan SOI yang unsur utamanya adalah tekanan udara. Jadi, ketika kita berbicara El Niño, kita hanya membahas seputar lautannya. Namun ketika kita berbicara ENSO maka kita berbicara masalah lautan dan atmosfer. II.1.2 Dampak ENSO di Indonesia Adanya ENSO akan mempengaruhi curah hujan di Indonesia. Terjadinya El Niño menyebabkan musim penghujan datang lebih akhir serta menurunkan total curah hujan. Adapun La Niña merupakan penyebab meningkatnya curah hujan di Indonesia serta menyebabkan majunya awal musim hujan (Qian et al., 2010).

11

Kekeringan dan kebanjiran merupakan konsekuensi dari tingginya variabilitas ENSO. Tahun kering di Indonesia akibat terjadinya El Niño dan tahun basah merupakan pengaruh terjadinya La Niña yang intensif (Brumbelow and Georgakakas, 2005). Terjadinya El Niño dan La Niña menyebabkan terjadi perubahan pola curah hujan di Indonesia yang berdampak pada perubahan periode masa tanam (growing season), pola tanam, dan awal tanam. Jumlah curah hujan dalam periode transisi antara bulan-bulan kering dan musim hujan sangat penting dalam pertanian. Dampak El Niño di Indonesia sebenarnya tidak sama di setiap wilayah di Indonesia. Indonesia bagian tengah hingga timur lebih cenderung berdampak dibandingkan di Indonesia barat khususnya Sumatera. Dari analisis historis data korelasi curah hujan dengan kejadian Niño 3.4 pada Gambar 2.7 dapat diketahui wilayah mana saja yang berdampak terhadap kejadian El Niño.

Gambar 2.7 : Peta korelasi El Niño dan Curah hujan Indonesia (Sriworo, 2008)

12

Berdasarkan penelitian yang dilakukan oleh Aldrian (2003), pengaruh El Niño (Gambar 2.8) mulai terdeteksi menurunkan jumlah curah hujan di Australia Utara pada bulan April. Kemudian pada bulan Mei ke atas penurunan jumlah curah hujan di Indonesia mulai terdeteksi. Distribusi pengaruh El Niño meluas dari tenggara Indonesia menuju bagian barat dan utara Indonesia. Puncak dari pengaruh El Niño adalah bulan September dengan rata-rata penurunan curah hujan hingga 60%. Pengaruh El Niño mulai berkurang dari bulan Oktober dan menghilang pada bulan Desember. Pada bulan November, permulaan curah hujan datang dari utara karena daerah konvergensi antar-tropik (DKAT) mulai berpindah ke selatan. Anomali positif ini akan terus terjadi sampai Februari tahun berikutnya.

Gambar 2.8: Persentase anomali curah hujan selama periode El Niño (Aldrian, 2003)

13

Sedangkan periode La Niña merupakan kebalikan dari periode El Niño. Indikasi awal La Niña (Gambar 2.9) terdeteksi pada bulan Maret, walaupun indikasinya masih rendah (anomali dibawah 40%). Pada bulan April La Niña mulai dirasakan lebih tinggi di Australia bagian utara. Dari bulan Mei ke atas, dampak La Niña mulai dirasakan meningkat secara spasial dan jumlah curah hujan yang turun, walaupun ada beberapa wilayah yang dampaknya tidak begitu signifikan. La Niña mulai dirasakan di bagian tenggara Indonesia meluas hingga barat dan utara. Puncak pengaruh La Niña terjadi pada bulan Agustus dan September. Pada bulan September hampir semua daerah yang dipengaruhi oleh La Niña memiliki curah hujan dua kali daripada keadaan normal. Seperti halnya dengan El Niño, dampak La Niña mulai menghilang setelah bulan September dan pada bulan Desember dampaknya tidak terlihat lagi.

Gambar 2.9: Persentase anomali curah hujan selama periode La Niña (Aldrian, 2003)

14

II.2 Model Dinamik Sistem dinamik adalah bidang profesional yang berhubungan dengan kompleksitas sistem. Sistem dinamik berhubungan dengan bagaimana hal-hal berubah melalui waktu, yang meliputi sebagian besar dari apa yang kebanyakan orang merasa sangat penting. Sistem dinamik menafsirkan sistem yang nyata ke dalam model simulasi komputer yang memungkinkan seseorang untuk melihat bagaimana struktur dan kebijakan pengambilan keputusan dalam sistem (Forrester, 1987). Model dinamik merupakan penyelesaian dari persamaan-persamaan diferensial yang ada fungsi waktu di dalamnya. Dalam membahas iklim sistem dinamik dapat di defenisikan sebagai suatu sistem yang memodelkan variabel-variabel seperti suhu muka laut, tekanan muka laut, dan variabel-variabel lainnya yang berubah terhadap waktu untuk memprediksi iklim. II.2.1 NCEP National Centers for Environmental Prediction (NCEP) menggunakan model dinamik yang bernama Coupled Forecast System (CFS). Model ini terdiri atas 2 komponen yaitu komponen atmosfer (Moorthi dkk., 2001) dan komponen laut (Pacanowski dan Griffies, 1998). Komponen atmosfer dari CFS adalah model Global Forecast System (GFS) atmosfer NCEP. Ini mengadopsi pemotongan spektral segitiga dari gelombang 62 (T62) di horizontal (setara dengan hampir 200km Grid Gaussian) dan di lapisan vertikal menggunakan lapisan sigma 64. Model bagian atas adalah pada ketinggian 0,2 hPa. Untuk komponen laut, batas permukaan laut dihitung sebagai eksplisit permukaan bebas. Domain adalah kuasi-global yang membentang dari 74° S 64° N. Resolusi zonanya adalah 1°. meridional dengan 15

resolusi 1/3° antara 10° S dan 10° N, secara bertahap meningkat melalui wilayah tropis sampai menjadi tetap pada 1° di kutub dari 30° S dan 30° N. Ada 40 lapisan dalam vertikal dengan 27 lapisan di atas 400m, dan untuk ke bawah hingga kedalaman sekitar 4,5km. Resolusi vertikal adalah 10m dari permukaan ke kedalaman 240m, secara bertahap meningkat menjadi sekitar 511m di lapisan bawah (Saha dkk., 2006). II.2.2 SIO Scripps Institution of Oceanography (SIO) menggunakan model dinamik yang disebut sebagai The Hybrid Coupled Model (HCM). Model ini juga terdiri dari 2 komponen yaitu komponen atmosfer dan laut. Model ini bernama The Hybrid Coupled Model karena komponen atmosfernya menggunakan model statistik Regresi linear (LR) atau Neural Network (NN) untuk merekonstruksi stres angin atmosfer menggunakan keadaan laut sebagai prediktor (Tang dan Hsieh, 2002; Tang dkk., 2001). Sedangkan komponen laut meliputi model tropis Pasifik dengan enam lapisan aktif yang memungkinkan untuk pertukaran massa, momentum dan panas di setiap antarmuka lapisan oleh parameterisasi entrainment, dengan resolusi horizontal 1,5°

×

1,5°, meliputi area 30°N -30°S dalam lintang dan dari 123°E-

69°W (Tang, 2002). II.2.3 KNU Korea National University (KNU) / Seoul National University (SNU) menggunakan model dinamik yang disebut Coupled General Circulation Models (CGCM). Sama dengan model dinamik lainnya, model ini terdiri dari 2 komponen

16

yaitu komponen atmosfer (Roeckner dkk.,1996) dan komponen laut (Madec dkk., 1998). Untuk komponen atmosfernya adalah mengadopsi resolusi horizontal tinggi (T106) yang sekitar 1,1°× 1.1°. Sebuah kordinat hybrd sigma untuk tekanan vertikal (lapisan sigma 19 untuk semuanya) digunakan dengan resolusi tertinggi di dekat permukaan bumi. Komponen lautnya adalah sebuah konfigurasi dengan sebuah grid yang didasarkan pada 2° Mercator mesh. Mercator mesh (proyeksi Mercator) adalah sebuah proyeksi yang sekarang di kenal dengan singkatan UTM (Universal Transverse Mercator). Kelemahan proyeksi Mercator adalah proyeksi ini menyimpangkan luas di daerah yang jauh dari khatulistiwa. Di belahan bumi utara, mesh memiliki dua kutub dan rasio anisotropi hampir satu di mana-mana. Sebagai Hasilnya, singularitas di Kutub Utara menghilang. Itu Resolusi model 2° cos (lintang)

×

2° (bujur) dengan peningkatan resolusi meridional 0,5° dekat

khatulistiwa. Ini memiliki 31 tingkat z vertikal yang dimana 19 lapisan terletak pada bagian atas 400 m. (Luo dkk., 2005; Kug dkk., 2006). II.3 Verifikasi Prediksi Verifikasi adalah proses menilai kualitas suatu prediksi (forecast). Dalam proses ini, suatu hasil prediksi dibandingkan dengan nilai pengamatan/observasi. Sebelumnya, perlu dilakukan secara kualitatif dengan menampilkan gambargambar hasil prediksi dengan nilai observasi (data). Pengertian kualitatif di sini adalah untuk melihat kesesuaian (visual-“eyeball”) antara hasil prediksi dan observasi. Kita juga dapat membandingkan hasil prediksi secara kuantitatif dengan menentukan akurasi model sekaligus kesalahannya dalam memprediksi dengan menggunakan seperangkat formulasi matematik. Ada 3 (tiga) alasan utama

17

18

mengapa sebuah verifikasi dilakukan. Pertama, untuk memantau (monitor) akurasi prediksi dan apakah prediksi itu semakin lama semakin baik ? Kedua, untuk meningkatkan (improve) kualitas prediksi. Hal ini bisa dimulai dengan menyelidiki kesalahan apa yang telah kita lakukan ketika memprediksi. Ketiga untuk membandingkan

(compare)

hasil-hasil

prediksi

beberapa

model

dalam

memprediksi besaran/fenomena yang sama. Dari hasil perbandingan ini, kita akan menemukan model yang unggul dibanding model-model lainnya dan mengetahui letak/alasan keunggulan model tersebut (Halide, 2009). II.3.1 Korelasi Pearson Korelasi pearson adalah suatu bentuk rumus yang digunakan untuk mencari dan mengukur kemampuan asosiasi atau hubungan linear antara dua variabel yaitu variabel bebas (independen) dan variabel terikat (dependen). koefisien korelasi dinyatakan dalam persaamaan (Wilks, 2006):

𝑟=

n n n ∑n i=1 Xi Yi −(∑i=1 Xi )(∑i=1 Yi ) 2

2

2 n n 2 n √{n ∑n i=1 Xi − (∑i=1 Xi ) } {n ∑i=1 Yi −(∑i=1 Yi ) }

…………….…………(II.1)

Dengan : n

= jumlah data

r

= koefisien korelasi antara data observasi dan data prediksi

X

= data observasi ENSO musiman

Y

= data prediksi ENSO musiman

19

Korelasi digunakan untuk menyatakan hubungan variabel satu terhadap variabel yang lainnya yang dinyatakan dalam persen. Berikut adalah tabel klasifikasi interpretasi nilai r (Wilks, 2006) : Tabel 2.2: Interpretasi dari nilai r positif r

Interpretasi

0

Tidak berkolerasi

0,01 s/d 0,20

Sangat rendah

0,21 s/d 0,40

Rendah

0,41 s/d 0,60

Agak rendah

0,61 s/d 0,80

Cukup

0,81 s/d 0,99

Tinggi

1

Sangat tinggi

Tabel 2.3: Interpretasi dari nilai r negatif r

Interpretasi

0

Tidak berkolerasi

- 0,01 s/d -0,20

Sangat rendah

-0,21 s/d -0,40

Rendah

-0,41 s/d - 0,60

Agak rendah

-0,61 s/d - 0,80

Cukup

-0,81 s/d - 0,99

Tinggi

-1

Sangat tinggi

20

II.3.2 Root Mean Square Error (RMSE)

Nilai Root Mean Square Error (RMSE) diperoleh dengan cara menghitung nilai akar dari rata-rata kuadrat dari nilai kesalahan yang menggambarkan selisih antara data antara observasi denggan nilai hasil prediksi, dapat di hitung dengan menggunakan persamaan (Chai dan Draxler, 2014):

RMSE =

2 √∑ 𝑛 𝑖=1(𝑋𝑖 −𝑌𝑖 )

Dengan ;

𝑛

………………………………………………………. ( II.2)

X

= data observasi ENSO musiman

Y

= data prediksi ENSO musiman

n

= jumlah data

II.3.3 Euclidean Distance Dalam tulisan ini, Euclidean distance digunakan untuk membandingkan jarak minimun dari nilai data prediksi ENSO 4 model dinamik dengan nilai data observasi ENSO (Niño 3.4). Metrik dihitung setelah melakukan rotasi 45o untuk setiap titik pengamatan relatif terhadap line of perfect forecast dalam diagram scatter. Setelah melakukan rotasi, sumbu X akan menjadi line of perfect forecast (X’) dan jarak titik pengamatan dari line of perfect forecast akan di definisikan sebagai Y’. Ketidakpastian jarak Euclidean diperoleh dengan mengambil standar deviasi jarak setiap titik pengamatan dari line of perfect forecast. Nilai Y’ dapat di hitung menggunakan persamaan (Halide, 2016): Euclidean distance = ‖ 𝑌 ′ ‖ = √∑𝑛𝑖=1 𝑌𝑖′2 …...................................................... (II.3) Dimana n adalah data yang diamati atau diperkirakan.

21

Semakin kecil nilai Euclidean Distance atau semakin dekat jarak titik data dari line of perfect forecast maka kemiripan antara prediksi dan observasi makin besar. Sebaliknya semakin besar nilai Euclidean Distance atau semakin jauh jarak titik data dari line of perfect forecast maka semakin berbeda pula kemiripan antara prediksi dan observasi (Halide, 2016).

Gambar 2.10 : Penentuan nilai Euclidean Distance (Halide, 2016)

22

BAB III METODOLOGI

III.1. Data Penelitian Tahap awal dari penelitian ini adalah mengumpulkan dan mempersiapkan data yang dibutuhkan dalam penelitian. Data yang digunakan dalam penelitian ini adalah data sekunder yang terdiri dari:

III.1.1 Data Observasi ENSO Musiman (Niño 3.4) Data observasi ENSO musiman (Niño 3.4) diperoleh melalui situs Climate Prediction Center - National Oceanic and Atmospheric Administration. Data yang digunakan adalah data yang dimulai dari Agustus-September-Oktober (ASO) 2006 sampai Juli-Agustus-September (JAS) 2016.

III.1.2 Data Prediksi ENSO Musiman Model Dinamik Data prediksi ENSO musiman diperoleh melalui situs International Research Institute for Climate and Society. Data yang digunakan adalah data beberapa model dinamik seperti NCEP Model, SIO Model dan KNU Model yang dimulai dari Agustus-September-Oktober (ASO) 2006 sampai Juli-Agustus-September (JAS) 2016 dalam 7 lead. Penulis hanya mengambil tiga model dinamik karena hanya model dinamik tersebutlah yang memiliki data kontinyu (lengkap dan tidak putus) selama 10 tahun terakhir.

23

III.2 Koreksi dan Penyesuaian Data Karena data penelitian didownload manual satu persatu melalui web, maka perlu dilakukan koreksi data untuk menghindari kesalahan ketikan dan sebagainya. Dalam tahap ini digambarkan diagram deret waktu data observasi dan data histori prediksi ENSO musiman. Apabila ditemukan keanehan berupa spike data yang tidak smooth maka harus di periksa kembali untuk memperbaiki kesalahan ketikan. Setelah data sudah terlihat smooth maka selanjutnya dilakukan penyesuaian data untuk menyelaraskan data 7 musim ke depan. Alat untuk memodelkan data dalam penelitian ini menggunakan Software Matlab 2013.

III. 3 Verifikasi Prediksi Menggunakan Matlab 2013 Prediksi ENSO untuk setiap lead time diverifikasi menggunakan nilai deterministik. Untuk nilai kemampuan deterministik, yaitu 1.

Menghitung nilai korelasi Pearson dan RMSE

2.

Menghitung nilai jarak Euclidean

24

III.4 Membandingkan Verifikasi Prediksi Setiap Model Dinamik Dalam tahap ini, penulis akan membandingkan setiap model dinamik untuk melihat kualitas prediksi sebuah model dibandingkan model yang lain. Pada penelitian ini penulis memiliki 3 jenis perbandingan yaitu: 1. Antara masing-masing model dinamik (3 buah model) 2. Antara model dinamik individu dengan 1 model dinamik kombinasi dimana model kombinasi adalah rata-rata dari semua model dinamik. 3. Antara akurasi prediksi periode pertama (ASO 2006- JAS 2011) dengan periode kedua (ASO 2011- JAS 2016) setiap model dinamik dan kombinasi.

25

III.5 Bagan Alir Penelitian III.5.1 Membandingkan Akurasi Prediksi ENSO 4 Model Dinamik Mulai

Data Prediksi ENSO Musiman 4 Model Dinamik Operasional IRI (NCEP, SIO, KNU, Kombinasi)

Data Observasi ENSO Musiman (Niño 3.4)

Koreksi Data Prediksi

Verifikasi Prediksi 4 Model Terhadap Observasi

Korelasi Pearson

RMSE

Jarak Euclidean

Hasil

Membandingkan Hasil Verifikasi Prediksi 4 Model Dinamik

26

Kesimpulan

III.5.2 Membandingkan Akurasi Prediksi ENSO Periode Pertama (ASO 2006-JAS 2011) dan Periode Kedua (ASO 2011- JAS 2016)

Mulai

Data Prediksi ENSO Musiman 4 Model Dinamik Operasional IRI (NCEP, SIO, KNU, Kombinasi) yang sudah diklasifikasi Periode Pertama dan Periode kedua

Data Observasi ENSO Musiman (Niño 3.4)

Koreksi Data Prediksi

Verifikasi Prediksi 4 Model Terhadap Observasi

Korelasi Pearson

RMSE

Jarak Euclidean

Hasil

Membandingkan Akurasi Prediksi Periode Pertama Dengan Periode Kedua 27

Kesimpulan

BAB IV HASIL DAN PEMBAHASAN

IV.1 Hasil IV. 1.1 Grafik Deret Waktu Prediksi ENSO Musiman 4 Model Dinamik

Gambar 4.1: Grafik deret waktu prediksi ENSO musiman model dinamik untuk lead 1

Grafik pada Gambar 4.1 memperlihatkan deret waktu prediksi ENSO musiman untuk setiap model dinamik pada lead 1. Dimana bulatan hitam menunjukkan data observasi untuk ENSO musiman. Garis hijau menunjukkan data prediksi ENSO musiman untuk model dinamik NCEP. Garis biru menunjukkan data prediksi ENSO musiman untuk model dinamik SIO. Garis merah menunjukkan data prediksi ENSO musiman untuk model dinamik KNU. Dan garis hitam menunjukkan nilai prediksi ENSO musiman rata-rata untuk semua model dinamik (AVEDyn).

28



29



30



31

Dapat dilihat bahwa semakin tinggi nilai lead, hingga pada Gambar 4.7 yang menunjukkan grafik prediksi ENSO musiman untuk setiap model semakin tidak mirip dengan grafik data observasi ENSO musiman. Dimana terlihat pada grafik untuk lead 1, setiap model dinamik memiliki prediksi yang nyaris berdempetan dengan data observasi ENSO. Ini berarti bahwa setiap model untuk lead 1 memiliki akurasi prediksi yang tinggi. Sebaliknya pada grafik untuk lead 7, setiap model dinamik memiliki prediksi yang terlihat melebar dari data observasi ENSO itu sendiri. Dapat dilihat bahwa suatu prediksi akan memiliki kecenderungan untuk tidak akurat jika nilai lead yang ingin diprediksi semakin besar.

IV.1.2 Diagram Sebaran Akurasi Prediksi 4 Model Dinamik Diagram sebaran akan menunjukkan akurasi prediksi untuk sebuah model dinamik. Hal tersebut dapat dilihat dari sebaran data setiap model, dimana semakin dekat sebaran data dari line of perfect forecast maka semakin bagus akurasi prediksi model tersebut. Semakin kecil nilai jarak euklidean atau semakin dekat jarak titik data dari line of perfect forecast maka kemiripan antara prediksi dan observasi makin benar. Sebaliknya semakin besar nilai jarak euklidean atau semakin jauh jarak titik data dari line of perfect forecast maka semakin berbeda pula kemiripan antara prediksi dan observasi.

32

Gambar 4.8: Diagram sebaran hasil prediksi dibandingkan dengan observasi untuk model dinamik NCEP

Akurasi prediksi ENSO musiman untuk lead 1 pada model dinamik NCEP memiliki nilai korelasi sebesar 0.95, nilai RMSE sebesar 0.34 oC, dan jarak euklidean antara 2.64 oC sampai 0.23 oC. Untuk lead 3 nya memiliki nilai korelasi sebesar 0.87, nilai RMSE sebesar 0.54 oC, dan jarak euklidean antara 4.18 oC sampai 0.36 oC. Untuk lead 5 nya memiliki nilai korelasi sebesar 0.76, nilai RMSE sebesar 0.66 oC, dan jarak euklidean antara 5.16 oC sampai 0.44 oC. Dan untuk lead 7 nya memiliki nilai korelasi sebesar 0.67, nilai RMSE sebesar 0.70 oC, dan jarak euklidean antara 5.47 o

C sampai 0.48 oC. Penulis hanya memperlihatkan diagram sebaran untuk lead 1,

lead 3, lead 5, dan lead 7 serta tidak menampilkan semuanya, dengan maksud untuk memperjelas perbedaan tingkat akurasi prediksi setiap lead.

33

Gambar 4.9: Diagram sebaran hasil prediksi dibandingkan dengan observasi untuk model dinamik SIO

Akurasi prediksi ENSO musiman untuk lead 1 pada model dinamik SIO memiliki nilai korelasi sebesar 0.81, nilai RMSE sebesar 0.57 oC, dan jarak euklidean antara 4.43 oC sampai 0.39 oC. Untuk lead 3 nya memiliki nilai korelasi sebesar 0.67, nilai RMSE sebesar 0.69 oC, dan jarak euklidean antara 5.38 oC sampai 0.47 oC. Untuk lead 5 nya memiliki nilai korelasi sebesar 0.54, nilai RMSE sebesar 0.75 oC, dan jarak euklidean antara 5.84 oC sampai 0.49 oC. Dan untuk lead 7 nya memiliki nilai korelasi sebesar 0.42, nilai RMSE sebesar 0.80 oC, dan jarak euklidean antara 6.28oC sampai 0.51 oC.

34

Gambar 4.10: Diagram sebaran hasil prediksi dibandingkan dengan observasi untuk model dinamik KNU

Akurasi prediksi ENSO musiman untuk lead 1 pada model dinamik KNU memiliki nilai korelasi sebesar 0.89, nilai RMSE sebesar 0.37 oC, dan jarak euklidean antara 2.88 oC sampai 0.23 oC. Untuk lead 3 nya memiliki nilai korelasi sebesar 0.69, nilai RMSE sebesar 0.63 oC, dan jarak euklidean antara 4.88 oC sampai 0.36 oC. Untuk lead 5 nya memiliki nilai korelasi sebesar 0.50, nilai RMSE sebesar 0.77 oC, dan jarak euklidean antara 6.02 oC sampai 0.44 oC. Dan untuk lead 7 nya memiliki nilai korelasi sebesar 0.33, nilai RMSE sebesar 0.86 oC, dan jarak euklidean antara 6.71oC sampai 0.52 oC.

35

Gambar 4.11: Diagram sebaran hasil prediksi dibandingkan dengan observasi untuk model dinamik AVEDyn

Akurasi prediksi ENSO musiman untuk lead 1 pada rata-rata semua model dinamik memiliki nilai korelasi sebesar 0.95, nilai RMSE sebesar 0.30 oC, dan jarak euklidean antara 2.36 oC sampai 0.19 oC. Untuk lead 3 nya memiliki nilai korelasi sebesar 0.88, nilai RMSE sebesar 0.42 oC, dan jarak euklidean antara 3.26 oC sampai 0.25 oC. Untuk lead 5 nya memiliki nilai korelasi sebesar 0.79, nilai RMSE sebesar 0.52 oC, dan jarak euklidean antara 4.07 oC sampai 0.30 oC. Dan untuk lead 7 nya memiliki nilai korelasi sebesar 0.71, nilai RMSE sebesar 0.59 oC, dan jarak euklidean antara 4.59 oC sampai 0.37 oC.

36

IV.1.3 Verifikasi Prediksi 4 Model Dinamik Terdapat tiga variabel yang digunakan untuk menentukan model dinamik mana yang memiliki akurasi prediksi yang paling baik. Tiga variabel metrik tersebut adalah nilai korelasi pearson, nilai root mean square error (RMSE) dan jarak euklidean.

IV.1.3.1 Korelasi Pearson dan Root Mean Square Error (RMSE) Akurasi prediksi sebuah model berbanding lurus dengan hasil korelasi pearsonnya. Semakin besar nilai korelasinya maka semakin bagus pula akurasi prediksi sebuah model. Sedangkan untuk root mean square error (RMSE) sendiri, berkebalikan dengan korelasi pearson. Semakin kecil nilai RMSE nya maka semakin bagus pula akurasi prediksi sebuah model. Kecenderungan hasil dari korelasi pearson setiap model memiliki kesamaan. Dimana nilai korelasi pearson akan semakin mengecil dengan bertambahnya besar lead yang diprediksi. Untuk nilai korelasi dibawah 0.5 akan dianggap sebagai data yang tidak berguna dalam prediksi atau dengan kata lain skill prediksi oleh model dinamik tersebut tidak dapat dipakai (Persson dan Strauss, 1995). Demikian pula untuk RMSE, kecenderungan hasil yang diperlihatkan menunjukkan sebuah pola. Dimana nilai RMSE semakin besar dengan bertambahnya besar lead yang diprediksi. Hasil korelasi pearson dan RMSE dari lead 1 hingga lead 7 diperlihatkan pada Gambar 4.12 di bawah.

37

Gambar 4.12 : Hasil korelasi pearson dan RMSE 4 model dinamik

Dimana garis hijau adalah hasil untuk model dinamik NCEP, garis biru adalah hasil untuk model dinamik SIO, garis merah adalah hasil untuk model dinamik KNU, dan garis hitam adalah hasil untuk model dinamik AVEDyn.

IV.1.3.2 Jarak Euklidean Hasil jarak euklidean ini dibuat untuk mengetahui apakah model dinamik yang satu dan model dinamik lainnya saling berbeda signifikan atau tidak berbeda signifikan dari lebar errorbar-nya. Jika errorbar model dinamik yang satu dengan lainnya saling bersinggungan maka dapat dikatakan bahwa kedua model dinamik tersebut 38

saling tidak berbeda signifikan atau tidak jauh berbeda. Sedangkan jika errorbar model yang satu dengan yang lainnya tidak saling bersinggungan maka dapat dikatakan bahwa kedua model dinamik tersebut berbeda signifikan. Semakin kecil lebar errorbar sebuah prediksi maka semakin bagus akurasi prediksi tersebut.

Gambar 4.13 : Hasil jarak euklidean 4 model dinamik

Dimana garis hijau adalah hasil untuk model dinamik NCEP, garis biru adalah hasil untuk model dinamik SIO, garis merah adalah hasil untuk model dinamik KNU, dan garis hitam adalah hasil untuk model dinamik AVEDyn.

39

Tabel 4.1 : Nilai korelasi, RMSE, dan jarak euklidean pada Gambar 4.12 dan Gambar 4.13 Model Dinamik

NCEP

SIO

KNU

AVEDyn

Jarak Euklidean

Lead (Musim)

Korelasi

RMSE

1 2 3 4 5 6 7 Rata-Rata Standar Deviasi 1 2 3 4 5 6 7 Rata-Rata Standar Deviasi 1 2 3 4 5 6 7 Rata-Rata Standar Deviasi 1

0.95 0.92 0.88 0.83 0.77 0.73 0.68 0.82 0.10 0.81 0.75 0.68 0.62 0.55 0.49 0.42 0.62 0.14 0.90 0.81 0.69 0.59 0.51 0.41 0.33 0.61 0.21 0.95

0.34 0.44 0.54 0.61 0.67 0.69 0.71 0.57 0.14 0.57 0.64 0.70 0.73 0.75 0.78 0.80 0.71 0.08 0.37 0.50 0.63 0.72 0.78 0.83 0.87 0.67 0.18 0.31

2.64 3.42 4.19 4.75 5.17 5.31 5.48

± ± ± ± ± ± ±

0.23 0.30 0.37 0.42 0.45 0.47 0.48

4.44 4.98 5.39 5.64 5.84 6.02 6.23

± ± ± ± ± ± ±

0.39 0.44 0.47 0.48 0.49 0.50 0.52

2.89 3.88 4.88 5.57 6.02 6.46 6.71

± ± ± ± ± ± ±

0.23 0.30 0.36 0.41 0.45 0.49 0.52

2.37

±

0.19

2

0.92

0.36

2.79

±

0.22

3

0.88

0.42

3.27

4

0.84

0.48

3.69

5

0.79

0.53

4.07

6

0.74

0.58

7

0.71

0.59

Rata-Rata

0.83

0.47

Standar Deviasi

0.09

0.11

40

± ±

0.25 0.28 0.31

4.46

±

0.35

4.60

±

0.37

±

IV.1.4 Perbandingan Akurasi Prediksi Periode Pertama dan Periode kedua 4 Model Dinamik Membandingkan akurasi prediksi untuk periode lima tahun pertama (ASO 2006JAS 2011) dengan periode lima tahun kedua (ASO 2011- JAS 2016) setiap model dinamik bertujuan untuk mengetahui apakah ada peningkatan kualitas akurasi prediksi. Dimana seiring berkembangnya waktu maka semakin canggih pula teknologi, sehingga diharapkan akurasi prediksi pada periode lima tahun kedua lebih tinggi dibadingkan akurasi prediksi pada periode lima tahun pertama. Diagram pembagian data observasi menjadi periode pertama dan periode kedua dapat dilihat pada gambar di bawah. Garis hitam adalah fenomena ENSO selama 10 tahun dan garis hijau adalah batas dari periode pertama dengan periode kedua.

Gambar 4.14: Pembagian range periode pertama dengan periode kedua

41

IV.1.4.1 Korelasi Pearson dan Root Mean Square Error (RMSE)

Gambar 4.15 : Perbandingan korelasi antara periode pertama dengan periode kedua 4 model dinamik

Gambar 4.16 : Perbandingan RMSE antara periode pertama dengan periode kedua 4 model dinamik

42

Dimana garis biru adalah hasil akurasi prediksi untuk periode lima tahun pertama dan garis hijau adalah hasil akurasi prediksi untuk periode lima tahun kedua.

IV.1.4.2 Jarak Euklidean Dalam diagram ini akan diketahui apakah hasil prediksi untuk periode pertama dengan periode kedua memiliki perbedaan atau peningkatan akurasi prediksi. Jika errorbar untuk periode pertama dan errorbar periode kedua saling bersinggungan maka dapat dikatakan bahwa model tersebut tidak memiliki perbedaan atau perubahan kepiawaian dari periode pertama ke periode kedua dalam memprediksi ENSO. Dimana garis biru adalah hasil akurasi prediksi untuk periode lima tahun pertama dan garis hijau adalah hasil akurasi prediksi untuk periode lima tahun kedua.

Gambar 4.17 : Perbandingan jarak euklidean antara periode pertama dengan periode kedua 4 model dinamik

43

Tabel 4.2 : Nilai korelasi, RMSE, dan jarak euklidean untuk periode pertama pada Gambar 4.15, Gambar 4.16, dan Gambar 4.17 Model Dinamik

NCEP

SIO

KNU

AVEDyn

Jarak Euklidean

Lead (Musim)

Korelasi

RMSE


0.96 0.93 0.88 0.82 0.75 0.66 0.58 0.80 0.14 0.81 0.72 0.63 0.53 0.42 0.32 0.21 0.52 0.22 0.91 0.82 0.70 0.58 0.47 0.35 0.24 0.58 0.25 0.96

0.33 0.44 0.55 0.62 0.69 0.75 0.80 0.60 0.17 0.56 0.64 0.71 0.76 0.79 0.83 0.86 0.74 0.11 0.35 0.48 0.61 0.70 0.77 0.84 0.89 0.66 0.20 0.27

1.83 2.40 3.00 3.42 3.80 4.12 4.36

± ± ± ± ± ± ±

0.24 0.31 0.39 0.44 0.49 0.53 0.56

3.06 3.53 3.88 4.16 4.35 4.52 4.70

± ± ± ± ± ± ±

0.39 0.44 0.48 0.50 0.51 0.51 0.51

1.91 2.61 3.35 3.85 4.23 4.58 4.85

± ± ± ± ± ± ±

0.22 0.28 0.35 0.39 0.42 0.46 0.50

1.46

±

0.19

2

0.93

0.33

1.79

±

0.22

3

0.89

0.39

2.15

4

0.84

0.46

2.52

5

0.78

0.52

2.83

6

0.71

0.59

7

0.67

0.62

Rata-Rata

0.83

0.45

Standar Deviasi

0.11

0.13

44

± ±

0.26 0.29 0.33

3.21

±

0.37

3.37

±

0.39

±

Tabel 4.3 : Nilai korelasi, RMSE, dan jarak euklidean untuk periode kedua pada Gambar 4.15, Gambar 4.16, dan Gambar 4.17 Model Dinamik

NCEP

SIO

KNU

AVEDyn

Jarak Euklidean

Lead (Musim)

Korelasi

RMSE


0.95 0.92 0.88 0.83 0.79 0.78 0.77 0.84 0.07 0.82 0.77 0.73 0.69 0.64 0.61 0.57 0.69 0.09 0.89 0.80 0.69 0.60 0.54 0.46 0.41 0.63 0.18 0.94

0.35 0.45 0.53 0.60 0.64 0.61 0.61 0.54 0.11 0.59 0.64 0.68 0.69 0.71 0.72 0.75 0.68 0.05 0.40 0.52 0.65 0.73 0.78 0.83 0.85 0.68 0.17 0.34

1.91 2.44 2.92 3.29 3.50 3.36 3.31

± ± ± ± ± ± ±

0.20 0.27 0.32 0.36 0.38 0.37 0.38

3.22 3.52 3.74 3.80 3.90 3.97 4.08

± ± ± ± ± ± ±

0.40 0.44 0.47 0.47 0.48 0.49 0.51

2.17 2.87 3.55 4.02 4.29 4.55 4.64

± ± ± ± ± ± ±

0.24 0.31 0.38 0.44 0.48 0.51 0.54

1.87

0.18

2

0.92

0.39

2.14

3

0.88

0.45

2.46

4

0.84

0.49

2.70

5

0.80

0.53

2.93

6

0.76

0.57

3.10

7

0.75

0.57

3.13

± ± ± ± ± ± ±

Rata-Rata

0.84

0.48

Standar Deviasi

0.07

0.09

45

0.21 0.24 0.26 0.29 0.34 0.36

IV.1.5 Verifikasi Prediksi 4 Model Dinamik Masing-Masing Fase ENSO Untuk melihat apakah perubahan akurasi prediksi setiap model dari periode pertama ke periode kedua berubah karena pengaruh skill setiap model ataukah pengaruh banyak tidaknya anomali iklim (El Niño atau La Niña) pada setiap periode, maka dilakukan verifikasi prediksi untuk setiap fase ENSO (fase El Niño, fase normal, dan fase La Niña). Di sini kita akan melihat di fase mana prediksi ENSO memiliki akurasi prediksi yang lebih tinggi. Apakah saat fase normal ataukah saat terjadi fase El Niño atau La Niña. Dari 120 data observasi ENSO musiman (10 tahun), maka setelah diklasifikasikan menghasilkan; 34 musim dengan fase El Niño, 51 musim dengan fase normal, dan 35 musim dengan fase La Niña. IV.1.5.1 Korelasi Pearson dan Root Mean Square Error (RMSE)

Gambar 4.18: Hasil korelasi pearson dan RMSE 4 model dinamik pada fase El Niño

46

Gambar 4.19: Hasil korelasi pearson dan RMSE 4 model dinamik pada fase normal

Gambar 4.20: Hasil korelasi pearson dan RMSE 4 model dinamik pada fase La Niña

47

IV.1.5.2 Jarak Euklidean

Gambar 4.21: Hasil jarak euklidean 4 model dinamik pada fase El Niño.

Gambar 4.22: Hasil jarak euklidean 4 model dinamik pada fase normal 48

Tabel 4.4 : Nilai korelasi, RMSE, dan jarak euklidean untuk fase El Niño pada Gambar 4.18 dan Gambar 4.21 Model Dinamik

NCEP

SIO

KNU

AVEDyn

Jarak Euklidean

Lead (Musim)

Korelasi

RMSE


0.99 0.98 0.97 0.96 0.95 0.94 0.91 0.96 0.03 0.98 0.97 0.95 0.93 0.90 0.87 0.85 0.92 0.05 0.98 0.96 0.95 0.93 0.92 0.89 0.85 0.93 0.04 0.99

0.31 0.38 0.43 0.43 0.43 0.44 0.52 0.42 0.06 0.27 0.29 0.37 0.45 0.53 0.60 0.65 0.45 0.15 0.27 0.33 0.38 0.44 0.50 0.58 0.67 0.45 0.14 0.25

1.27 1.55 1.77 1.79 1.76 1.82 2.13

± ± ± ± ± ± ±

0.14 0.20 0.25 0.28 0.30 0.32 0.37

1.12 1.20 1.52 1.86 2.16 2.46 2.69

± ± ± ± ± ± ±

0.19 0.21 0.26 0.31 0.35 0.38 0.41

1.10 1.35 1.57 1.82 2.06 2.37 2.77

± ± ± ± ± ± ±

0.19 0.23 0.27 0.31 0.34 0.38 0.42

1.04

0.12

2

0.99

0.23

0.95

3

0.99

0.20

0.83

4

0.99

0.20

0.84

5

0.98

0.25

1.02

6

0.96

0.36

1.47

7

0.94

0.45

1.85

± ± ± ± ± ± ±

Rata-Rata

0.98

0.28

Standar Deviasi

0.02

0.09

49

0.13 0.13 0.15 0.17 0.24 0.28

Tabel 4.5 : Nilai korelasi, RMSE, dan jarak euklidean untuk fase normal pada Gambar 4.19 dan Gambar 4.22 Model Dinamik

NCEP

SIO

KNU

AVEDyn

Jarak Euklidean

Lead (Musim)

Korelasi

RMSE


0.51 0.41 0.43 0.32 0.24 0.22 0.13 0.32 0.13 0.27 0.17 0.13 0.06 0.02 0.04 -0.01 0.10 0.10 0.49 0.28 0.09 -0.05 -0.16 -0.24 -0.28 0.02 0.28 0.53

0.36 0.46 0.58 0.67 0.74 0.76 0.77 0.62 0.16 0.61 0.67 0.66 0.63 0.61 0.58 0.57 0.62 0.04 0.40 0.51 0.64 0.70 0.72 0.74 0.72 0.63 0.13 0.35

1.80 2.35 2.92 3.37 3.75 3.86 3.87

± ± ± ± ± ± ±

0.22 0.29 0.37 0.42 0.49 0.52 0.53

3.06 3.37 3.34 3.17 3.09 2.91 2.88

± ± ± ± ± ± ±

0.41 0.46 0.44 0.40 0.38 0.35 0.34

2.00 2.60 3.21 3.56 3.66 3.72 3.65

± ± ± ± ± ± ±

0.22 0.26 0.30 0.32 0.33 0.33 0.31

1.78

0.21

2

0.46

0.41

2.09

3

0.32

0.47

2.39

4

0.22

0.52

2.61

5

0.13

0.54

2.74

6

0.07

0.55

2.78

7

0.03

0.54

2.71

± ± ± ± ± ± ±

Rata-Rata

0.25

0.48

Standar Deviasi

0.19

0.08

50

0.24 0.25 0.26 0.27 0.29 0.29

Tabel 4.6 : Nilai korelasi, RMSE, dan jarak euklidean untuk fase La Niña pada Gambar 4.20 dan Gambar 4.23 Model Dinamik

NCEP

SIO

KNU

AVEDyn

Lead (Musim)

Korelasi

RMSE


0.97 0.94 0.89 0.82 0.73 0.67 0.62 0.80 0.14 0.76 0.64 0.50 0.34 0.16 -0.04 -0.23 0.30 0.36 0.90 0.78 0.57 0.35 0.12 -0.12 -0.26 0.33 0.44 0.96

0.35 0.47 0.58 0.67 0.74 0.76 0.78 0.62 0.16 0.72 0.83 0.94 1.02 1.07 1.11 1.15 0.98 0.16 0.42 0.61 0.79 0.93 1.03 1.13 1.17 0.87 0.28 0.28

1.45

2

0.92

0.38

1.59

3

0.86

0.50

2.07

4

0.79

0.59

2.47

5

0.72

0.68

2.83

6

0.63

0.76

3.16

7

0.63

0.77

3.22

Rata-Rata

0.79

0.56

Standar Deviasi

0.14

0.19

51

Jarak Euklidean 1.95 2.42 2.82 3.08 3.17 3.24

± ± ± ± ± ± ±

0.23 0.31 0.41 0.48 0.51 0.49 0.46

3.01 3.47 3.94 4.27 4.46 4.66 4.82

± ± ± ± ± ± ±

0.50 0.55 0.60 0.60 0.54 0.48 0.42

1.77 2.55 3.32 3.88 4.32 4.72 4.91

± ± ± ± ± ± ±

0.24 0.30 0.34 0.35 0.36 0.35 0.35

1.16

± ± ± ± ± ± ±

0.20 0.26 0.32 0.33 0.32 0.32 0.29

Gambar 4.23: Hasil jarak euklidean 4 model dinamik pada fase La Niña.

IV.1.6 Perbandingan Akurasi Prediksi Periode Pertama dan Periode kedua 4 Model Dinamik Masing-Masing Fase ENSO Di sini akan dilihat apakah akurasi prediksi sebuah model dinamik pada setiap fase ENSO memiliki perkembangan dari periode pertama ke periode kedua. Dari 60 data observasi ENSO musiman di periode pertama dan periode kedua (masing-masing 5 tahun), maka setelah diklasifikasikan menghasilkan; untuk periode pertama terdapat 15 musim dengan fase El Niño, 19 musim dengan fase normal, dan 26 musim dengan fase La Niña. Untuk periode kedua terdapat 19 musim dengan fase El Niño, 32 musim dengan fase normal, dan 9 musim dengan fase La Niña. Untuk visualisasi datanya dapat dilihat pada Gambar 4.14 sebelumnya.

52

IV.1.6.1 Korelasi Pearson

Gambar 4.24 : Perbandingan korelasi antara periode pertama dengan periode kedua 4 model dinamik pada fase El Niño

Gambar 4.25 : Perbandingan korelasi antara periode pertama dengan periode kedua 4 model dinamik pada fase normal

53

Gambar 4.26 : Perbandingan korelasi antara periode pertama dengan periode kedua 4 model dinamik pada fase La niña

IV.1.6.2 Root Mean Square Error (RMSE)

Gambar 4.27 : Perbandingan RMSE antara periode pertama dengan periode kedua 4 model dinamik pada fase El niño

54

Gambar 4.28 : Perbandingan RMSE antara periode pertama dengan periode kedua 4 model dinamik pada fase normal

Gambar 4.29 : Perbandingan RMSE antara periode pertama dengan periode kedua 4 model dinamik pada fase La Niña

55

IV.1.6.3 Jarak Euklidean

Gambar 4.30 : Perbandingan jarak ekludiean antara periode pertama dengan periode kedua 4 model dinamik pada fase El Niño

Gambar 4.31 : Perbandingan jarak ekludiean antara periode pertama dengan periode kedua 4 model dinamik pada fase normal

56

Tabel 4.7 : Nilai korelasi, RMSE, dan jarak euklidean untuk fase El Niño di periode pertama pada Gambar 4.24, Gambar 4.27 dan Gambar 4.30 Model Dinamik

NCEP

SIO

KNU

AVEDyn

Jarak Euklidean

Lead (Musim)

Korelasi

RMSE


0.98 0.96 0.94 0.93 0.91 0.85 0.75 0.90 0.08 0.98 0.97 0.95 0.95 0.93 0.90 0.90 0.94 0.03 0.96 0.95 0.94 0.96 0.97 0.95 0.90 0.95 0.02 0.98

0.33 0.39 0.44 0.45 0.46 0.53 0.65 0.46 0.10 0.24 0.23 0.27 0.29 0.34 0.40 0.41 0.31 0.08 0.26 0.30 0.31 0.26 0.20 0.28 0.39 0.29 0.06 0.25

0.90 1.06 1.21 1.22 1.25 1.46 1.79

± ± ± ± ± ± ±

0.13 0.21 0.27 0.31 0.33 0.38 0.44

0.64 0.62 0.73 0.78 0.92 1.09 1.14

± ± ± ± ± ± ±

0.16 0.16 0.19 0.18 0.19 0.21 0.20

0.72 0.83 0.86 0.70 0.56 0.77 1.06

± ± ± ± ± ± ±

0.18 0.21 0.22 0.19 0.15 0.18 0.22

0.69

0.13

2

0.97

0.26

0.71

3

0.97

0.25

0.68

4

0.96

0.25

0.67

5

0.95

0.27

0.73

6

0.94

0.30

0.83

7

0.93

0.36

0.98

± ± ± ± ± ± ±

Rata-Rata

0.96

0.28

Standar Deviasi

0.02

0.04

57

0.16 0.18 0.18 0.17 0.18 0.17

Tabel 4.8 : Nilai korelasi, RMSE, dan jarak euklidean untuk fase El Niño di periode kedua pada Gambar 4.24, Gambar 4.27 dan Gambar 4.30 Model Dinamik

NCEP

SIO

KNU

AVEDyn

Jarak Euklidean

Lead (Musim)

Korelasi

RMSE


0.99 0.99 0.98 0.97 0.97 0.97 0.96 0.98 0.01 0.98 0.97 0.95 0.92 0.89 0.87 0.83 0.92 0.06 0.98 0.98 0.96 0.93 0.90 0.87 0.83 0.92 0.06 1.00

0.29 0.37 0.42 0.42 0.40 0.35 0.37 0.38 0.05 0.30 0.33 0.43 0.55 0.63 0.71 0.79 0.54 0.19 0.27 0.35 0.43 0.55 0.64 0.73 0.83 0.54 0.21 0.25

0.90 1.13 1.29 1.31 1.24 1.09 1.16

± ± ± ± ± ± ±

0.15 0.20 0.25 0.26 0.27 0.24 0.27

0.92 1.02 1.34 1.69 1.96 2.20 2.44

± ± ± ± ± ± ±

0.22 0.24 0.31 0.39 0.44 0.48 0.53

0.82 1.07 1.32 1.68 1.99 2.25 2.55

± ± ± ± ± ± ±

0.18 0.23 0.28 0.36 0.43 0.47 0.53

0.78

0.12

2

1.00

0.20

0.62

3

1.00

0.15

0.47

4

0.99

0.16

0.51

5

0.99

0.23

0.71

6

0.96

0.40

1.22

7

0.94

0.51

1.56

± ± ± ± ± ± ±

Rata-Rata

0.98

0.27

Standar Deviasi

0.02

0.13

58

0.09 0.09 0.12 0.17 0.28 0.35

Tabel 4.9 : Nilai korelasi, RMSE, dan jarak euklidean untuk fase normal di periode pertama pada Gambar 4.25, Gambar 4.28 dan Gambar 4.31 Model Dinamik

NCEP

SIO

KNU

AVEDyn

Jarak Euklidean

Lead (Musim)

Korelasi

RMSE


0.60 0.46 0.53 0.47 0.36 0.33 0.30 0.43 0.11 0.38 0.28 0.24 0.17 0.21 0.29 0.26 0.26 0.07 0.51 0.29 0.09 -0.04 -0.09 -0.10 -0.04 0.09 0.23 0.61

0.31 0.42 0.59 0.73 0.84 0.88 0.88 0.67 0.23 0.46 0.50 0.50 0.50 0.45 0.43 0.43 0.47 0.03 0.37 0.49 0.62 0.69 0.71 0.70 0.66 0.61 0.13 0.31

0.95 1.31 1.83 2.24 2.60 2.72 2.71

± ± ± ± ± ± ±

0.22 0.30 0.42 0.52 0.61 0.64 0.64

1.41 1.54 1.54 1.53 1.38 1.32 1.33

± ± ± ± ± ± ±

0.33 0.36 0.35 0.34 0.30 0.28 0.26

1.14 1.51 1.91 2.13 2.19 2.15 2.05

± ± ± ± ± ± ±

0.25 0.31 0.37 0.40 0.40 0.37 0.33

0.95

0.22

2

0.55

0.35

1.08

3

0.45

0.40

1.22

4

0.39

0.44

1.34

5

0.29

0.49

1.51

6

0.23

0.54

1.68

7

0.27

0.53

1.64

± ± ± ± ± ± ±

Rata-Rata

0.40

0.44

Standar Deviasi

0.14

0.09

59

0.24 0.25 0.26 0.30 0.35 0.35

Tabel 4.10 : Nilai korelasi, RMSE, dan jarak euklidean untuk fase normal di periode kedua pada Gambar 4.25, Gambar 4.28 dan Gambar 4.31 Model Dinamik

NCEP

SIO

KNU

AVEDyn

Jarak Euklidean

Lead (Musim)

Korelasi

RMSE


0.47 0.39 0.35 0.17 0.13 0.11 -0.04 0.23 0.18 0.23 0.13 0.10 0.00 -0.06 -0.08 -0.14 0.02 0.13 0.48 0.28 0.09 -0.06 -0.21 -0.34 -0.44 -0.03 0.33 0.50

0.38 0.49 0.57 0.63 0.68 0.68 0.69 0.59 0.12 0.68 0.75 0.74 0.69 0.69 0.65 0.64 0.69 0.04 0.41 0.53 0.65 0.71 0.73 0.76 0.76 0.65 0.13 0.38

1.53 1.95 2.27 2.52 2.71 2.73 2.76

± ± ± ± ± ± ±

0.20 0.27 0.31 0.33 0.38 0.40 0.42

2.72 2.99 2.97 2.77 2.76 2.59 2.56

± ± ± ± ± ± ±

0.45 0.51 0.49 0.44 0.42 0.39 0.37

1.64 2.12 2.58 2.84 2.93 3.03 3.02

± ± ± ± ± ± ±

0.19 0.22 0.25 0.27 0.29 0.29 0.30

1.51

0.20

2

0.42

0.45

1.78

3

0.26

0.51

2.05

4

0.13

0.56

2.24

5

0.02

0.57

2.29

6

-0.04

0.56

2.22

7

-0.18

0.54

2.16

± ± ± ± ± ± ±

Rata-Rata

0.16

0.51

Standar Deviasi

0.25

0.07

60

0.24 0.24 0.25 0.24 0.25 0.24

Tabel 4.11 : Nilai korelasi, RMSE, dan jarak euklidean untuk fase La Niña di periode pertama pada Gambar 4.26, Gambar 4.29 dan Gambar 4.32 Model Dinamik

NCEP

SIO

KNU

AVEDyn

Jarak Euklidean

Lead (Musim)

Korelasi

RMSE


0.97 0.95 0.91 0.86 0.80 0.72 0.65 0.84 0.12 0.78 0.66 0.53 0.37 0.19 -0.03 -0.33 0.31 0.40 0.94 0.86 0.72 0.55 0.34 0.08 -0.13 0.48 0.40 0.98

0.36 0.47 0.57 0.63 0.69 0.76 0.81 0.61 0.16 0.73 0.86 0.97 1.05 1.12 1.16 1.21 1.01 0.17 0.37 0.54 0.72 0.87 0.99 1.10 1.18 0.83 0.30 0.24

1.28 1.71 2.05 2.28 2.47 2.72 2.91

± ± ± ± ± ± ±

0.22 0.30 0.39 0.45 0.49 0.51 0.50

2.63 3.11 3.49 3.79 4.02 4.18 4.37

± ± ± ± ± ± ±

0.51 0.58 0.61 0.61 0.56 0.48 0.38

1.35 1.96 2.61 3.13 3.58 3.97 4.27

± ± ± ± ± ± ±

0.23 0.28 0.34 0.36 0.38 0.38 0.38

0.86

0.17

2

0.95

0.34

1.23

3

0.90

0.45

1.64

4

0.84

0.56

2.02

5

0.80

0.63

2.28

6

0.73

0.72

2.61

7

0.71

0.77

2.78

± ± ± ± ± ± ±

Rata-Rata

0.84

0.53

Standar Deviasi

0.10

0.20

61

0.24 0.30 0.33 0.33 0.33 0.29

Tabel 4.12 : Nilai korelasi, RMSE, dan jarak euklidean untuk fase La Niña di periode kedua pada Gambar 4.26, Gambar 4.29 dan Gambar 4.32 Model Dinamik

NCEP

SIO

KNU

AVEDyn

Jarak Euklidean

Lead (Musim)

Korelasi

RMSE


0.93 0.87 0.74 0.53 0.25 0.31 0.43 0.58 0.27 0.60 0.49 0.34 0.22 0.08 -0.07 -0.05 0.23 0.26 0.67 0.14 -0.61 -0.94 -0.97 -0.91 -0.79 -0.49 0.64 0.86

0.32 0.45 0.61 0.78 0.87 0.76 0.67 0.64 0.20 0.69 0.72 0.87 0.93 0.91 0.97 0.96 0.86 0.11 0.54 0.77 0.97 1.08 1.14 1.20 1.14 0.98 0.24 0.37

0.68 0.95 1.29 1.66 1.84 1.62 1.42

2

0.76

0.48

1.01

3

0.57

0.60

1.27

4

0.40

0.67

1.42

5

-0.11

0.79

1.68

6

-0.34

0.84

1.78

7

0.02

0.77

1.64

Rata-Rata

0.31

0.65

Standar Deviasi

0.46

0.18

62

1.46 1.53 1.84 1.97 1.93 2.05 2.04

± ± ± ± ± ± ±

± ± ± ± ± ± ±

0.24 0.33 0.46 0.57 0.50 0.42 0.34

0.49 0.49 0.59 0.60 0.49 0.47 0.49

1.15 1.63 2.05 2.29 2.42 2.54 2.42

± ± ± ± ± ± ±

0.27 0.30 0.30 0.26 0.26 0.24 0.22

0.78

± ± ± ± ± ± ±

0.24 0.28 0.34 0.31 0.28 0.29 0.31

Gambar 4.32 : Perbandingan jarak ekludiean antara periode pertama dengan periode kedua 4 model dinamik pada fase La Niña

IV.2 Pembahasan Gambar 4.1 memperlihatkan grafik deret waktu seluruh model dinamik (4 model dinamik) pada lead 1 dimana tampak bahwa seluruh model dinamik terlihat berimpitan dengan data observasi ENSO musiman sendiri. Hal ini adalah berarti seluruh model dinamik umumnya memiliki akurasi prediksi yang baik untuk lead 1. Tampak jelas bahwa garis hitam (rata-rata dari semua model dinamik) merupakan garis yang terlihat paling menyerupai dan mendekati pola grafik dari data observasi ENSO musiman. Sedangkan garis biru (model dinamik SIO) merupakan garis yang terlihat agak berbeda dan sedikit melebar dari data observasi ENSO musiman. Untuk grafik deret waktu pada lead 2 setiap model dinamik, tidak terlalu memiliki jauh perbedaan dengan grafik deret waktu lead 1. Demikian juga 63

pada grafik deret waktu untuk lead 3. Pada grafik deret waktu untuk lead 4, mulai terlihat bahwa seluruh model dinamik mulai melebar dari data observasi ENSO musiman (telat untuk memprediksi kejadian iklim). Paling jelas tampak pada garis biru (model dinamik SIO), terutama untuk prediksi antara tahun 2006-2007. Dimana terlihat bahwa model dinamik SIO gagal meramalkan adanya La Niña. Lalu pada prediksi antara tahun 2010-2011 giliran model dinamik KNU (garis merah) yang terlihat gagal dalam memprediksi besarnya kejadian La Niña pada tahun tersebut. Untuk grafik deret waktu lead 5 dan seterusnya hingga lead 7, seluruh model dinamik semakin melebar dari data observasi ENSO musiman. Semakin besar nilai lead yang diprediksi, semakin kurang baik pula kemampuan seluruh model dinamik dalam memprediksi sebuah kejadian iklim.

Untuk diagram sebaran, terlihat bahwa semakin besar nilai lead maka sebaran data cenderung untuk menyebar menjauhi line of perfect forecast. Hal ini terjadi untuk semua model dinamik. Yang terlihat konsisten untuk tidak menyebar terlalu jauh dari line of perfect forecast dari lead 1 hingga lead 7 adalah model dinamik AVEDyn. Kemudian tampak bahwa untuk model dinamik SIO yang sejak lead 1, sebaran data sudah paling jauh dari line of perfect forecast.

Untuk hasil korelasi pearson dan root mean square error (RMSE) setiap model dinamik, terlihat bahwa model dinamik AVEDyn memiliki nilai korelasi pearson dan nilai RMSE yang paling baik dibandingkan dengan semua model dinamik. Disusul dengan model dinamik NCEP, lalu model dinamik KNU, terakhir ada

64

model dinamik SIO. Pada lead 1, hanya model dinamik NCEP dan model dinamik AVEDyn yang memiliki nilai korelasi pearson diatas 9, sedangkan untuk model dinamik SIO dan model dinamik KNU memiliki nilai korelasi pearson antara 8-9 pada lead 1. Model dinamik NCEP yang cenderung unggul dibandingkan dengan model individu lainnya (SIO dan KNU) disebabkan karena resolusi pengukuran model dinamik NCEP lebih detail dibandingkan dua model individu lainnya. Lalu terlihat bahwa model dinamik SIO pada lead 1 hingga lead 3 menempati posisi terakhir dalam akurasi prediksi untuk variabel korelasi pearson dan RMSE. Namun pada lead 4 hingga lead 7, giliran model dinamik KNU yang berada pada posisi terakhir dalam akurasi prediksi untuk variabel korelasi pearson dan RMSE. Sebagaimana diketahui bahwa untuk nilai korelasi kurang dari 0.5 (di bawah garis merah) maka merupakan hasil prediksi yang tidak dapat dipakai. Sehingga untuk model dinamik KNU, prediksinya yang dapat dipakai hanyalah sampa pada lead 5. Setelah lead 5 nilai korelasi model KNU berada di bawah 0.5 atau di bawah garis merah. Sama halnya untuk model dinamik SIO, prediksi yang dapat dipakai hanya sampai lead 6. Karena nilai dari lead 7 untuk model dinamik SIO sudah dibawah nilai 0.5.

Kemudian untuk jarak euklidean, tampak bahwa yang memiliki kelebaran errobar paling kecil ada model dinamik AVEDyn. Tampak bahwa hanya model dinamik AVEDyn lah yang errorbar-nya saling tidak bersinggungan dengan model dinamik yang lain. Dimana hal itu berarti bahwa prediksi model dinamik AVEDyn berbeda signifikan dengan model dinamik lainnya. Sedangkan model dinamik NCEP, model

65

dinamik SIO dan model dinamik KNU tampak bahwa errorbar-nya saling bersinggungan. Dimana hal itu berarti bahwa ketiga model itu tidak saling berbeda signifikan. Hanya model KNU pada lead 1 yang berbeda dengan model dinamik lainnya atau berbeda signifikan.

Lalu untuk perbandingan korelasi dan RSME periode pertama dan periode kedua setiap model dinamik, umumnya memperlihatkan bahwa akurasi prediksi pada periode kedua lebih tinggi dari akurasi prediksi pada periode pertama. Khususnya pada lead 5 hingga lead 7. Hal ini terlihat pada setiap hasil perbandingan model dinamik. Kecuali untuk model dinamik SIO pada perbandingan korelasi pearson terlihat bahwa dari lead 1 periode kedua sudah lebih tinggi daripada periode pertama. Nilai korelasi yang paling besar untuk semua lead pada periode pertama ditempati oleh model dinamik AVEDyn dan yang paling kecil adalah model dinamik SIO. Sama halnya untuk periode kedua, nilai korelasi pada periode kedua yang paling besar ditempati oleh model dinamik AVEDyn namun pada lead 6 hingga lead 7 disusul dan digantikan oleh model dinamik NCEP. Lalu nilai korelasi yang terkecil pada periode kedua ditempati oleh model dinamik KNU. Sama halnya dengan nilai korelasi, untuk nilai RMSE yang paling rendah atau yang terbaik, baik untuk periode pertama maupun periode kedua ditempati oleh model dinamik AVEDyn. Untuk posisi terakhir di periode pertama ditempati oleh model dinamik SIO namun untuk lead 7 ditempati oleh model dinamik KNU. Demikian juga untuk posisi terakhir di periode kedua ditempati oleh model dinamik SIO, namun dari lead 4 hingga lead 7 digantikan oleh model dinamik KNU.

66

Untuk model dinamik NCEP terlihat paling jelas memiliki kemajuan dalam akurasi prediksi, khususnya pada prediksi untuk lead 4 hingga lead 7. Model dinamik NCEP juga memiliki korelasi yang semuanya berada di atas nilai 0.5 untuk seluruh periode dan lead. Sehingga seluruh hasil prediksi dari lead 1 hingga lead 7 dapat dipakai. Lalu model dinamik SIO untuk nilai korelasi periode pertama hanya dapat dipakai hingga lead 4. Nilai korelasi untuk lead 5 dan seterusnya sudah berada di bawah nilai 0.5. Tapi pada periode kedua, nilai korelasi model dinamik SIO dapat dipakai keseluruhan hingga lead 7. Pada model dinamik KNU, periode pertama pada lead 5 hingga lead 7 memiliki korelasi dibawah nilai 0.5 sehingga tidak dapat dipakai. Lalu pada periode kedua maju 1 lead, dimana dimulai pada lead 6 hasil prediksi model dinamik KNU sudah tidak dapat dipakai karena berada dibawah nilai 0.5. Kemudian untuk model dinamik AVEDyn, nilai korelasi baik pada periode pertama maupun periode kedua semuanya berada diatas nilai 0.5.

Lalu untuk perbandingan nilai jarak euklidean periode pertama dan periode kedua. Pada periode pertama untuk lead 1 hanya model dinamik SIO yang saling berbeda signifikan dengan model dinamik lainnya. Lalu untul lead 2, model dinamik SIO dan model dinamik AVEDyn saling berbeda signifikan dengan model dinamik lainnya. Hanya model dinamik NCEP dan model dinamik KNU yang errorbar-nya saling bersinggungan alias tidak berbeda signifikan. Lalu untuk lead 3 hingga lead 7, seluruh model dinamik saling bersinggungan kecuali model dinamik AVEDyn yang berbeda signifikan dari model dinamik yang lain. Kemudian pada periode

67

kedua seluruh model dinamik errorbar-nya saling bersinggungan pada seluruh lead. Hanya model dinamik SIO pada lead 1 yang saling berbeda signifikan dengan model dinamik lainnya. Setelah lead 1 model dinamik SIO sudah bersinggungan dengan model dinamik lainnya.

Perlu diperhitungkan apakah akurasi prediksi periode kedua yang cenderung lebih bagus dari akurasi prediksi periode pertama adalah murni peningkatan skill atau kepiawaian dari setiap model atau ada aspek lain yang mempengaruhi. Aspek lain yang perlu diperhitungkan disini salah satunya adalah jumlah anomali iklim (El Niño dan La Niña) pada setiap periode. Untuk periode pertama memiliki 5 kejadian anomali iklim yaitu; 1 kejadian El Niño lemah , 1 kejadian El Niño sedang, 1 kejadian La Niña lemah dan 2 kejadian La Niña sedang. Lalu untuk periode kedua memiliki 2 kejadian anomali iklim yaitu; 1 kejadian El Niño kuat dan satu kejadian La Niña lemah. Tentu adanya kejadian anomali iklim pada sebuah periode akan mempengaruhi akurasi prediksi suatu model. Dimana jika terdapat sebuah kejadian anomali iklim (El Niño atau La Niña ) maka akurasi prediksi cenderung lebih baik. Terbukti pada sub bab IV.1.5 verifikasi prediksi setiap model dinamik masingmasing fase enso. Dimana untuk hasil korelasi pada fase El Niño, untuk semua model memiliki nilai korelasi di atas 0.8 dan model dinamik AVEDyn memiliki korelasi yang paling tinggi dibandingkan model dinamik lainnya. Lalu untuk hasil RMSE fase El Niño sama halnya dengan korelasi, model dinamik AVEDyn memiliki nilai RMSE paling baik. Lalu untuk hasil jarak euklidean, dapat di lihat bahwa untuk model dinamik AVEDyn di lead 3, 4, dan 5 saling berbeda signifikan

68

dengan model dinamik lainnya. Terlihat bahwa pada lead 3, 4, dan 5 nilai jarak euklidean model dinamik AVEDyn menukik sendiri kebawah dimana berbeda dengan hasil jarak euklidean model individu lainnya. Hal ini disebabkan adanya pengaruh model dinamik lain diluar 3 model dinamik individu pada penelitian ini. Untuk fase normal, nilai korelasi semua model dinamik berada di bawah nilai 0.5 atau dengan kata lain hasil prediksinya tidak dapat dipakai. Untuk nilai RMSE pada fase normal terlihat bahwa model dinamik AVEDyn memiliki nilai RMSE paling rendah atau paling baik. Untuk hasil jarak euklidean fase normal tidak terdapat perbedaan signifikan antara setiap model dinamik. Untuk fase La Niña nilai korelasi untuk model dinamik AVEDyn dan NCEP memiliki nilai di atas 0.5 dari lead 1 hingga lead 7. Sedangkan model dinamik SIO dan KNU nilai korelasinya sudah dibawah 0.5 sejak antara lead 3 dan lead 4. Untuk nilai terbaik RMSE fase La Niña adalah model dinamik AVEDyn. Untuk jarak euklidean, terlihat bahwa model dinamik AVEDyn dan NCEP berbeda signifikan dengan model dinamik SIO dan KNU.

Untuk perbandingan nilai korelasi antara periode pertama dengan periode kedua untuk fase El Niño tidak terlalu banyak berbeda. Hanya model dinamik NCEP yang terlihat memiliki kemajuan pada periode kedua pada lead 5 hingga lead 7. Lalu Untuk perbandingan nilai korelasi antara periode pertama dengan periode kedua untuk fase normal memiliki kesamaan yaitu nilai korelasi masih di bawah 0.5 sehingga tidak dapat di gunakan. Bahkan untuk nilai korelasi untuk lead 4 hingga lead 7 semakin buruk pada periode kedua. Sama halnya dengan fase normal, hasil

69

perbandingan nilai korelasi pada fase La Niña mengalami penurunan pada periode kedua dan yang terparah adalah model dinamik KNU. Kemudian untuk perbandingan nilai RMSE antara periode pertama dengan periode kedua untuk fase El Niño dan fase normal terlihat bahwa model dinamik NCEP nilai RMSE yang semakin kecil atau semakin baik di periode kedua. Sama halnya dengan model dinamik AVEDyn, nilai RMSEnya semakin baik di lead 3 hingga lead 5 pada periode kedua. Untuk nilai RMSE pada fase La Niña terlihat bahwa model dinamik SIO memiliki nilai RMSE yang semakin baik. Kemudian untuk perbandingan jarak euklidean antara periode pertama dengan periode kedua untuk fase El Niño memiliki hasil yang mirip dengan jarak euklidean secara keseluruhan 10 tahun tanpa pembagian periode, khususnya pada periode 2. Terlihat bahwa pada lead 3, 4, dan 5 berbeda signifikan dengan model dinamik lainnya. Sekali lagi hal ini disebabkan oleh pengaruh model dinamik lainnya diluar 3 model dinamik individu pada penelitian ini. Lalu untuk fase normal terlihat hasil jarak euklideannya semakin tinggi atau semakin buruk di periode kedua, sedangkan untuk fase La Niña sebaliknya.

70

BAB V PENUTUP

V.1 Kesimpulan Kesimpulan yang diperoleh dalam penelitian ini antara lain adalah: 1. Model dinamik yang memiliki akurasi prediksi yang paling baik berdasarkan 3 ukuran akurasi prediksi baik untuk semua fase maupun masing-masing fase adalah model dinamik AVEDyn. 2. Tidak ada perbedaan signifikan antara akurasi prediksi pada periode pertama dengan periode kedua.

V.2 Saran Saran dari penelitian ini: 1. Sebaiknya model dinamik yang dibandingkan lebih banyak. 2. Sebaiknya data yang digunakan jauh lebih panjang dari 10 tahun.

71

DAFTAR PUSTAKA

Ahrens, C. Donald. 2009. Meteorology Today 9th Edition : An Introduction to Weather, Climate, and The Environment. Brooks/Cole. USA. 621pp. Aldrian, E. 2003. Simulation of Indonesian Rainfall With a Hierarchy of Climate Models. Dissertation. Max-Planck-Institut für Meteorologie. 172pp. Allan R.J., Nicholls N., Phil D. J., Ian J. B. 1991. A Further Extension of the Tahiti-Darwin SOI, Early ENSO Events and Darwin Pressure. Journal of Climate. 4: 743-749. Allison E. H., Allison L. P., Badjeck M.C. 2009. Vulnerability of national economies to the impacts of climate change on fisheries. Journal Compilation. 1: 1467-2979. Barnston A. G., Glantz M. H., Yuxiang H. 1999. Predictive Skill of Statistical and Dynamical Climate Models in SST Forecasts during the 1997–98 El Niño Episode and the 1998 La Niña Onset. Bulletin of the American Meteorological Society. 80: 217-243. Bradley R. S., Diaz H. F., Kiladis G. N., Eischeid J.K. 1987. ENSO Signal in Continental Temperature and Precipitaion Records. Nature. 327: 497-501. Brumbelow, K. dan A. Georgakakas, 2005. Consideration of Climate Variability and Change in Agricultural Water Resources Planning. Journal Water Resources Planning and Management. 3: 275-285. Bureau of Meteorology, 2008. El Niño Southern Oscillation (ENSO). www.bom.gov.au diakses pada 9 Oktober 2016.

Chai T. dan Draxler R. R. 2014. Root mean square error (RMSE) or mean absolute error (MAE)? – Arguments against avoiding RMSE in the literature. Geoscientific Model Development. 7 : 1247-1250. Climate Prediction Center NOAA, 2008. http://www.cpc.ncep.noaa.gov/ diakses pada 9 Oktober 2016 Climate Prediction Center - National Oceanic and Atmospheric Administration. http://www.cpc.ncep.noaa.gov/products/analysis_monitoring/ensostuff/ens oyears.shtml diakses pada 29 Oktober 2016 Edward S. Sarachik dan Mark A. Cane. 2010. The El Niño-Southern Oscillation Phenomenon. Cambridge University Press. New York. 385pp. Forrester, Jay W. (1987). Lessons from System Dynamics Modeling. System Dynamics Review, 3: 136-149. Glantz M. H. 2000. Currents of Change: Impacts of El Nino and La Nina on Climate and Society, 2nd Edition. Cambridge University Press. New York. 237pp. Halide, H. 2009. Esensi Prediksi. Makassar : Pustaka Pena Press Makassar.206pp. Halide, H. 2016. Seasonal ENSO Forecasting: Where does a simple model stand amongst other operational ENSO models? The 6th International Conference

on Theoretical and Applied Physics (ICTAP) 2016. AIP

Publishing. International

Research

Institute

for

Climate

and

Society.

http://iri.columbia.edu/our-expertise/climate/forecasts/enso/archive/ diakses pada 29 Oktober 2016.

Kug J. S., Tim L., An S. I., Kang I. S., Luo J. J., Masson S. 2006. Role of the ENSO–Indian Ocean coupling on ENSO variability in a coupled GCM. Geophysical Research Letters. 33: L09710. Luo J. J., Sebastien M., Erich R., Gurvan M. dan Toshio Yamagata. 2005. Reducing Climatology Bias in an Ocean–Atmosphere CGCM with Improved Coupling Physics. Journal of Climate. 18: 2344-2360. Madec, G., P. Delecluse, M. Imbard, and C. Lévy, 1998: OPA 8.1 Ocean General Circulation Model reference manual. Note du Pôle de modélisation (English Version), Institut Pierre-Simon Laplace (IPSL), France, N o11, 91pp. Mjelde, J. W. , Harvey S.J.H, dan Griffiths J. F. 1998. A Review of Current Evidence On Climate Forecasts And Their Economic Effects In Agriculture. American Journal Agricultural Economics. 80: 1089-1095. Moorthi, S., H.-L. Pan, and P. Caplan, 2001: Changes to the 2001 NCEP operational MRF/AVN global analysis/forecast system. NWS Tech. Procedures Bulletin. 484, 14 pp. NOAA Climate, 2013. https://www.climate.gov/ diakses pada 9 Oktober 2016 Oldenborgh G. J. V. 2005. Did the ECMWF Seasonal Forecast Model Outperform

Statistical ENSO Forecast Models over the Last 15 Years?

Journal of Climate. 18: 3240-3249. Pacanowski, R. C., and S. M. Griffies, cited 1998: MOM 3.0 manual. NOAA/GFDL.

Persson A., dan Strauss B. 1995: On the Skill and Consistency in Medium Range Weather Forecasting. ECMWF Newsletter. 70: 12-15. Philander, S. G. H. 1990. El Nirio, La Nifia, and the southern oscillation. Academic Press. Inc. San Diego. 305pp. Qian, J.H., A.W.Robertson, V. Moron. 2010. Interaction Among ENSO, the Monsoon, and Diurnal Cycle in Rainfall Variability Over Java, Indonesia. Journal of the Atmospheric Sciences. 67: 3509 – 3524. Queensland Government, 2008. https://www.longpaddock.qld.gov.au/ diakses pada 9 Oktober 2016 Rasmesson, E. N. dan T. H. Carpenter, 1983. The Relationship between The Eastern Pacific Sea Surface Temperature and Rainfall over India and Sri Langka. Monthly Weather Review. 111: 517-528. Roeckner E., Arpe K., Bengtsson L., Christoph M., Claussen M., Dümeni L., Esch M., Giorgetta M., Schlese U., Schulzwedia U. 1996: The atmospheric general circulation model

ECHAM-4:

simulation of present-day climate.

Model

description

Max-Planck-Institut

and für

Meteorologie Rep. 218, 90 pp. Ropelewski C. F. dan Halpert M. S. 1987. Global and Regional Scale Precipitation Patterns Associated with the El Nino/Southern Oscillation. Monthly Weather Review. 155: 1606-1626. Saha S., Nadiga S.,.Thiaw C.,Wang J. 2006. The NCEP Climate Forecast System. Journal of Climate. 19: 3483-3517.

Sriworo B.H. 2008. Analisis Dinamika Atmosfer Di Bagian Utara Ekuator Sumatera Pada Saat Peristiwa El-Nino Dan Dipole Mode Positif Terjadi Bersamaan. Jurnal Sains Dirgantara. 5: 130-148. Tang Y. 2002. Hybrid coupled models of the tropical Pacific: I interannual variability. Climate Dynamics. 19: 331-342 Tang Y., Hsieh W.W. 2002. Hybrid coupled models of the tropical Pacific: II ENSO prediction. Climate Dynamics. 19: 343–353. Tang Y., Hsieh W. W., Tang B., Haines K. 2001. A Neural Network Atmospheric Model for Hybrid Coupled Modelling. Climate Dynamics. 17: 445-455. Tippett M. K. dan Barnston A. G. 2008. Skill of Multimodel ENSO Probability Forecasts. Monthly Weather Review. 136: 3933-3946. Trenberth K. E. 1997. The Definition of El Niño. Bulletin of the American Meteorological Society. 78: 2771-2777. UCAR, 2007. https://www2.ucar.edu/ diakses pada 9 Oktober 2016 Wilks D. S. 2006. Statistical Methods in the Atmospheric Sciences 2nd Ed. Elsevier. USA. 649pp.

LAMPIRAN

LAMPIRAN 1 Hasil perbandingan korelasi, RMSE, dan jarak euklidean periode pertama dan periode dua untuk setiap model dinamik pada seluruh fase dan setiap fase ( El Niño, normal, La Niña).

 Korelasi

Hasil perbandingan korelasi periode pertama dan periode kedua 4 model dinamik untuk semua fase.

Hasil perbandingan korelasi periode pertama dan periode kedua 4 model dinamik untuk fase El Niño.

Hasil perbandingan korelasi periode pertama dan periode kedua 4 model dinamik untuk fase normal.

Hasil perbandingan korelasi periode pertama dan periode kedua 4 model dinamik untuk fase La Niña.  RMSE

Hasil perbandingan RMSE periode pertama dan periode kedua 4 model dinamik untuk semua fase.

Hasil perbandingan RMSE periode pertama dan periode kedua 4 model dinamik untuk fase El Niño.

Hasil perbandingan RMSE periode pertama dan periode kedua 4 model dinamik untuk fase normal.

Hasil perbandingan RMSE periode pertama dan periode kedua 4 model dinamik untuk fase normal.  Jarak Euklidean

Hasil perbandingan jarak euklidean periode pertama dan periode kedua 4 model dinamik untuk semua fase.

Hasil perbandingan jarak euklidean periode pertama dan periode kedua 4 model dinamik untuk fase El Niño.

Hasil perbandingan jarak euklidean periode pertama dan periode kedua 4 model dinamik untuk fase normal..

Hasil perbandingan jarak euklidean periode pertama dan periode kedua 4 model dinamik untuk fase La Niña.

LAMPIRAN 2 Data time series observasi dan prediksi ENSO setiap lead 4 model dinamik.  NCEP Musim ASO SON OND NDJ DJF JFM FMA MAM AMJ MJJ JJA JAS ASO SON OND NDJ DJF JFM FMA MAM AMJ MJJ JJA JAS ASO SON OND NDJ DJF JFM FMA MAM AMJ MJJ JJA JAS

Tahun 2006 2006 2006 2006 2006 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2008 2008 2008 2008 2008 2008 2008 2008 2008 2008 2008 2008 2009 2009 2009 2009 2009 2009 2009

Data 0.5 0.7 0.9 0.9 0.7 0.4 0.1 -0.1 -0.2 -0.3 -0.4 -0.6 -0.9 -1.1 -1.3 -1.3 -1.4 -1.3 -1.1 -0.9 -0.7 -0.5 -0.4 -0.3 -0.3 -0.4 -0.6 -0.7 -0.7 -0.6 -0.4 -0.1 0.2 0.4 0.5 0.5

Lead 1 0.5 1 1 1 0.9 0.4 -0.3 -0.5 -0.3 -0.6 -0.7 -1 -1 -1.3 -1.8 -1.9 -1.9 -2 -1.5 -1.2 -1.1 -0.3 0.2 0.2 0 -0.3 -0.6 -0.6 -1.4 -0.7 -0.3 -0.3 0 0.5 1.1 1.1

Lead 2 0.2 0.6 1.2 1.2 1.2 0.9 0.2 -0.5 -0.6 -0.6 -1 -1.2 -1.1 -1.1 -1.3 -1.7 -2.1 -2.3 -2 -1.3 -1.2 -0.9 0.2 0.5 0.3 -0.2 -0.4 -0.7 -1 -1.6 -0.5 -0.1 -0.2 0.2 0.7 1.3

Lead 3 0.5 0.3 0.6 1.4 1.4 1.3 0.8 0.2 -0.5 -0.7 -1.1 -1.2 -1.4 -0.9 -1 -1.3 -1.7 -2.2 -2.5 -1.8 -1.3 -1.1 -0.8 0.5 0.5 0.2 -0.3 -0.5 -0.8 -1.2 -1.6 -0.4 0.1 0 0.4 0.8

Lead 4 0.2 0.6 0.4 0.6 1.5 1.5 1.2 0.7 0.1 -0.4 -0.9 -1.4 -1.2 -1.1 -0.8 -1 -1.2 -1.7 -2.1 -2.4 -1.7 -1.2 -0.9 -0.7 0.6 0.4 0.1 -0.3 -0.7 -0.8 -1.2 -1.4 -0.3 0.4 0.2 0.4

Lead 5 -0.3 0.3 0.6 0.2 0.5 1.6 1.4 1 0.6 0.1 -0.5 -1.3 -1.4 -0.9 -0.9 -0.7 -1 -1.1 -1.5 -1.9 -2 -1.5 -1.2 -0.8 -0.6 0.5 0.3 0 -0.5 -0.7 -0.6 -1.1 -1.2 -0.2 0.6 0.3

Lead 6 -0.3 -0.2 0.3 0.5 0.1 0.4 1.5 1.2 0.8 0.5 0 -0.7 -1.3 -1.1 -0.8 -0.8 -0.7 -1 -0.9 -1.2 -1.6 -1.7 -1.4 -1.2 -0.8 -0.6 0.5 0.1 -0.2 -0.5 -0.6 -0.5 -1 -0.9 -0.1 0.7

Lead 7 -0.4 -0.2 -0.1 0.2 0.4 0.1 0.4 1.3 1 0.8 0.4 -0.2 -0.7 -1 -0.9 -0.8 -0.7 -0.7 -0.8 -0.8 -1 -1.4 -1.5 -1.3 -1.2 -0.8 -0.5 0.5 -0.1 -0.3 -0.5 -0.4 -0.4 -0.7 -0.7 0

ASO SON OND NDJ DJF JFM FMA MAM AMJ MJJ JJA JAS ASO SON OND NDJ DJF JFM FMA MAM AMJ MJJ JJA JAS ASO SON OND NDJ DJF JFM FMA MAM AMJ MJJ JJA JAS ASO SON OND NDJ DJF JFM

2009 2009 2009 2009 2009 2010 2010 2010 2010 2010 2010 2010 2010 2010 2010 2010 2010 2011 2011 2011 2011 2011 2011 2011 2011 2011 2011 2011 2011 2012 2012 2012 2012 2012 2012 2012 2012 2012 2012 2012 2012 2013

0.6 0.9 1.1 1.3 1.3 1.2 0.9 0.5 0 -0.4 -0.9 -1.2 -1.4 -1.5 -1.4 -1.4 -1.3 -1 -0.7 -0.5 -0.4 -0.3 -0.3 -0.6 -0.8 -0.9 -1 -0.9 -0.7 -0.5 -0.4 -0.4 -0.3 -0.1 0.1 0.3 0.3 0.3 0.1 -0.2 -0.4 -0.4

1.1 1.2 1.4 1.5 1.6 1.3 1.2 0.8 0.4 -0.4 -1 -0.9 -1 -1.6 -1.8 -1.6 -1.6 -1.2 -0.7 -0.6 -0.4 0.1 0.1 -0.2 -0.5 -1 -1.3 -1.1 -1.2 -0.9 -0.6 -0.5 -0.1 0 0.4 0.7 0.7 0.7 0.7 0 -0.5 -0.6

1.3 1.3 1.4 1.4 1.3 1.3 1.1 1 0.4 0.1 -0.6 -1 -1.1 -1.4 -1.9 -1.7 -1.5 -1.4 -0.8 -0.5 -0.5 -0.2 0.3 0.1 -0.3 -0.5 -1.3 -1.5 -1.2 -1 -0.8 -0.4 -0.2 0.2 0.2 0.4 0.9 0.9 0.6 0.6 -0.4 -0.7

1.5 1.6 1.5 1.6 1.2 1.2 1.1 1 0.8 0.2 -0.2 -0.6 -1 -1.3 -1.7 -1.9 -1.5 -1.4 -1.1 -0.7 -0.4 -0.3 -0.1 0.4 0 -0.5 -0.8 -1.3 -1.5 -1.1 -0.9 -0.6 -0.3 0 0.3 0.3 0.6 1 1 0.6 0.6 -0.5

1.1 1.6 1.9 1.7 1.5 1 1.1 0.9 0.9 0.7 0 -0.3 -0.6 -1.1 -1.6 -1.8 -1.7 -1.2 -1.1 -1.1 -0.8 -0.3 -0.3 0 0.5 -0.1 -0.7 -0.9 -1.3 -1.4 -0.9 -0.8 -0.5 -0.1 0.2 0.4 0.5 0.7 1.1 1.1 0.5 0.5

0.5 1.3 1.9 2 1.6 1.3 0.9 1 0.8 0.9 0.5 -0.1 -0.4 -0.8 -1.3 -1.7 -1.6 -1.4 -0.9 -1.1 -1.2 -0.8 -0.3 -0.3 0 0.5 -0.3 -0.8 -1 -1.1 -1.2 -0.8 -0.8 -0.5 0.2 0.2 0.5 0.6 0.9 1.1 1.1 0.4

0.3 0.6 1.5 2.1 1.9 1.4 1.1 0.8 0.8 0.8 0.9 0.4 -0.1 -0.5 -1.1 -1.4 -1.6 -1.3 -1.1 -0.8 -1.2 -1.3 -0.8 -0.3 -0.4 -0.1 0.5 -0.4 -0.9 -0.9 -1 -1.2 -0.8 -0.8 -0.4 0.3 0.2 0.5 0.6 0.8 0.9 0.9

0.8 0.4 0.8 1.5 2 1.7 1.2 1 0.8 0.9 0.8 0.8 0.3 -0.2 -0.6 -1.2 -1.3 -1.3 -1 -1 -0.9 -1.2 -1.3 -0.8 -0.5 -0.5 -0.2 0.5 -0.4 -0.8 -0.7 -0.9 -1.2 -0.8 -0.8 -0.3 0.4 0.1 0.5 0.7 0.7 0.7

FMA MAM AMJ MJJ JJA JAS ASO SON OND NDJ DJF JFM FMA MAM AMJ MJJ JJA JAS ASO SON OND NDJ DJF JFM FMA MAM AMJ MJJ JJA JAS ASO SON OND NDJ DJF JFM FMA MAM AMJ MJJ JJA JAS

2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2014 2014 2014 2014 2014 2014 2014 2014 2014 2014 2014 2014 2015 2015 2015 2015 2015 2015 2015 2015 2015 2015 2015 2015 2016 2016 2016 2016 2016 2016 2016

-0.3 -0.2 -0.2 -0.2 -0.3 -0.3 -0.2 -0.3 -0.3 -0.3 -0.5 -0.5 -0.4 -0.2 -0.1 0 -0.1 0 0.1 0.4 0.5 0.6 0.6 0.5 0.6 0.7 0.8 1 1.2 1.4 1.7 2 2.2 2.3 2.2 2 1.6 1.1 0.6 0.1 -0.3 -0.5

0.1 0 0.4 0.1 0 0 -0.1 0.2 0.2 0.1 -0.2 -0.1 -0.1 0.1 0.7 0.6 0.4 0.5 0.5 0.6 0.5 0.8 0.5 0.4 0.7 0.7 1 1.5 1.6 2 2.1 2.2 2.3 2.5 2.7 2.3 1.6 1.5 0.6 -0.3 -0.5 -0.3

-0.4 -0.1 0 0.2 0.2 0.2 0.1 0.2 0.3 0.3 0 -0.2 0.2 0.2 0.5 1 0.7 0.5 0.7 0.9 0.8 0.6 0.6 0.4 0.5 0.7 0.9 1.4 1.9 1.8 2.5 2.5 2.3 2.2 2.2 2.4 1.9 1.4 1.2 -0.2 -0.9 -0.8

-0.6 -0.3 -0.1 -0.1 0.1 0.2 0.3 0.1 0.2 0.3 0.4 -0.1 0 0.4 0.4 0.7 1.1 0.8 0.7 1 1.1 0.8 0.6 0.6 0.4 0.6 0.9 1.1 1.7 2.2 2 2.9 2.7 2.1 1.9 1.9 2.1 1.5 1.1 1.1 -0.9 -1.1

-0.4 -0.5 -0.1 -0.1 -0.1 0.1 0.2 0.4 0.1 0.2 0.3 0.4 0 0.2 0.5 0.5 0.8 1.1 1 0.9 1.1 1.1 0.8 0.6 0.7 0.5 0.8 1 1.2 1.8 2.4 2.3 3 2.4 1.8 1.6 1.7 1.9 1.2 0.9 1 -1.2

0.4 -0.1 -0.3 0 0 -0.2 0.1 0.2 0.5 -0.1 0.1 0.3 0.5 0.2 0.4 0.7 0.6 0.8 1.3 1.2 0.9 1 1 0.8 0.7 0.8 0.7 1 1.1 1.2 2 2.7 2.4 2.7 2 1.4 1.3 1.5 1.6 0.8 0.7 1

0.3 0.3 0.1 -0.1 0.2 0 -0.1 0.2 0.1 0.3 -0.3 0.2 0.3 0.5 0.3 0.6 0.8 0.6 0.9 1.5 1.3 0.9 0.9 0.9 0.8 0.8 1 1 1.4 1.1 1.3 2.2 2.7 2.3 2.2 1.6 1.2 0.9 1.2 1.3 0.4 0.6

0.7 0.3 0.3 0.4 0.2 0.3 0.1 -0.1 0.2 0 0.2 -0.3 0.3 0.4 0.6 0.4 0.8 0.9 0.7 1.1 1.5 1.2 0.8 0.8 0.9 0.9 0.9 1.3 1.3 1.6 1.2 1.4 2.2 2.4 1.9 1.7 1.3 1 0.6 0.9 0.9 0.2

 SIO Season ASO SON OND NDJ DJF JFM FMA MAM AMJ MJJ JJA JAS ASO SON OND NDJ DJF JFM FMA MAM AMJ MJJ JJA JAS ASO SON OND NDJ DJF JFM FMA MAM AMJ MJJ JJA JAS ASO SON OND NDJ

Year 2006 2006 2006 2006 2006 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2008 2008 2008 2008 2008 2008 2008 2008 2008 2008 2008 2008 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009

Data 0.5 0.7 0.9 0.9 0.7 0.4 0.1 -0.1 -0.2 -0.3 -0.4 -0.6 -0.9 -1.1 -1.3 -1.3 -1.4 -1.3 -1.1 -0.9 -0.7 -0.5 -0.4 -0.3 -0.3 -0.4 -0.6 -0.7 -0.7 -0.6 -0.4 -0.1 0.2 0.4 0.5 0.5 0.6 0.9 1.1 1.3

Lead 1 0.6 0.7 0.9 0.9 0.9 0.9 0.5 0.5 -0.2 -0.5 -0.4 -0.1 0.2 0.1 -0.1 -0.6 -1 -1.2 -1.1 -1.2 -1.2 -0.2 -0.2 -0.1 0.3 0.3 0.2 -0.1 -0.4 -0.7 -0.9 -0.8 -0.7 -0.1 0.1 0.6 1.1 1.3 1.3 1.2

Lead 2 0.7 0.7 0.8 0.9 0.9 0.9 0.8 0.3 0.3 -0.3 -0.5 -0.3 0 0.3 0.2 0 -0.5 -1 -1.1 -0.8 -0.8 -0.8 -0.1 -0.1 0.1 0.3 0.3 0.1 -0.1 -0.4 -0.7 -0.8 -0.7 -0.6 0 0.3 0.8 1.2 1.4 1.3

Lead 3 0.6 0.8 0.7 0.8 0.9 0.8 0.8 0.6 0.1 0.1 -0.3 -0.5 -0.2 0.2 0.5 0.3 0 -0.4 -0.9 -0.9 -0.5 -0.5 -0.5 0.1 0.1 0.2 0.2 0.3 0.1 -0.2 -0.4 -0.7 -0.7 -0.5 -0.3 0.2 0.4 0.9 1.3 1.3

Lead 4 0.5 0.7 0.8 0.8 0.8 0.8 0.7 0.6 0.4 0 0 -0.3 -0.4 -0.1 0.3 0.6 0.4 0.1 -0.2 -0.6 -0.7 -0.3 -0.3 -0.3 0.2 0.2 0.2 0.1 0.2 0 -0.2 -0.4 -0.6 -0.5 -0.3 -0.1 0.4 0.6 1 1.3

Lead 5 0.5 0.6 0.7 0.8 0.8 0.7 0.7 0.5 0.3 0.1 0 0 -0.2 -0.3 0 0.4 0.6 0.5 0.3 0 -0.4 -0.4 -0.1 -0.1 -0.1 0.2 0.2 0.2 0.1 0.1 -0.1 -0.2 -0.4 -0.4 -0.3 -0.1 0.1 0.5 0.7 1.1

Lead 6 0.5 0.6 0.6 0.8 0.8 0.7 0.7 0.5 0.3 0.1 0 0 0 -0.1 -0.2 0.1 0.5 0.7 0.6 0.4 0.2 -0.1 -0.2 0 0 0 0.1 0.2 0.1 0 0 -0.1 -0.2 -0.2 -0.2 -0.1 0.1 0.2 0.6 0.8

Lead 7 0.3 0.6 0.7 0.7 0.8 0.8 0.6 0.5 0.3 0.1 0 0 0.2 0.2 0 -0.2 0.1 0.6 0.8 0.7 0.5 0.4 0.1 0 0.1 0.1 0.1 0.1 0.1 0 -0.1 -0.1 -0.1 -0.1 -0.1 0 0.1 0.2 0.4 0.7

DJF JFM FMA MAM AMJ MJJ JJA JAS ASO SON OND NDJ DJF JFM FMA MAM AMJ MJJ JJA JAS ASO SON OND NDJ DJF JFM FMA MAM AMJ MJJ JJA JAS ASO SON OND NDJ DJF JFM FMA MAM AMJ MJJ

2009 2010 2010 2010 2010 2010 2010 2010 2010 2010 2010 2010 2010 2011 2011 2011 2011 2011 2011 2011 2011 2011 2011 2011 2011 2012 2012 2012 2012 2012 2012 2012 2012 2012 2012 2012 2012 2013 2013 2013 2013 2013

1.3 1.2 0.9 0.5 0 -0.4 -0.9 -1.2 -1.4 -1.5 -1.4 -1.4 -1.3 -1 -0.7 -0.5 -0.4 -0.3 -0.3 -0.6 -0.8 -0.9 -1 -0.9 -0.7 -0.5 -0.4 -0.4 -0.3 -0.1 0.1 0.3 0.3 0.3 0.1 -0.2 -0.4 -0.4 -0.3 -0.2 -0.2 -0.2

1.2 1.3 1.2 0.7 0.2 0.1 -0.1 -0.3 -0.7 -1.4 -2.2 -2.5 -2.4 -2 -1.6 -0.9 -0.5 -0.1 0 0 0 -0.2 -0.5 -0.8 -1.2 -1.4 -1.4 -1 -0.7 -0.5 -0.4 0 0 1.1 1.1 1.1 0.9 0.2 -0.5 -0.7 -0.7 -0.4

1.1 1.1 1.1 0.8 0.4 0 0 -0.1 -0.3 -0.8 -1.6 -2.4 -2.6 -2.2 -1.7 -1.1 -0.5 -0.2 0 0.1 0.1 0 -0.3 -0.7 -1 -1.2 -1.3 -1.2 -0.8 -0.6 -0.4 -0.2 0.2 0.2 1 1 1 0.8 0 -0.6 -0.7 -0.6

1.2 1 0.9 0.8 0.5 0.1 -0.1 -0.1 -0.1 -0.3 -0.8 -1.7 -2.5 -2.4 -1.8 -1.2 -0.7 -0.2 0 0.1 0.2 0.1 -0.1 -0.5 -0.8 -1.1 -1.2 -1.2 -0.9 -0.6 -0.4 -0.2 0 0.4 0.4 0.9 0.9 0.9 0.7 -0.2 -0.5 -0.6

1.3 1.1 0.9 0.7 0.5 0.2 0 -0.1 0 0 -0.2 -0.9 -1.8 -2.3 -2 -1.3 -0.8 -0.3 0 0.1 0.2 0.1 0 -0.2 -0.6 -0.9 -1 -1 -1 -0.7 -0.4 -0.2 0 0.2 0.5 0.5 0.8 0.8 0.8 0.6 -0.3 -0.3

1.2 1.1 0.9 0.6 0.4 0.2 0.1 0 -0.1 0 0.1 -0.2 -0.9 -1.7 -1.9 -1.4 -0.9 -0.4 -0.1 0.2 0.2 0.2 0 -0.2 -0.4 -0.7 -0.8 -0.8 -0.9 -0.8 -0.5 -0.2 0 0.2 0.4 0.6 0.6 0.7 0.7 0.7 0.5 -0.2

1 1.1 1 0.7 0.4 0.3 0.1 0 0 0 0.1 0.1 -0.2 -0.8 -1.4 -1.4 -1 -0.5 -0.2 0.1 0.3 0.2 0.1 -0.1 -0.3 -0.5 -0.7 -0.7 -0.7 -0.7 -0.5 -0.3 0 0.2 0.3 0.4 0.6 0.6 0.4 0.4 0.4 0.4

0.9 1 0.9 0.7 0.4 0.3 0.2 0.1 0 0 0.1 0.2 0.2 -0.1 -0.6 -1 -0.9 -0.6 -0.2 0 0.2 0.3 0.1 -0.1 -0.3 -0.5 -0.5 -0.6 -0.6 -0.5 -0.4 -0.3 -0.1 0.1 0.3 0.4 0.5 0.6 0.6 0.2 0.2 0.2

JJA JAS ASO SON OND NDJ DJF JFM FMA MAM AMJ MJJ JJA JAS ASO SON OND NDJ DJF JFM FMA MAM AMJ MJJ JJA JAS ASO SON OND NDJ DJF JFM FMA MAM AMJ MJJ JJA JAS

2013 2013 2013 2013 2013 2013 2013 2014 2014 2014 2014 2014 2014 2014 2014 2014 2014 2014 2014 2015 2015 2015 2015 2015 2015 2015 2015 2015 2015 2015 2015 2016 2016 2016 2016 2016 2016 2016

-0.3 -0.3 -0.2 -0.3 -0.3 -0.3 -0.5 -0.5 -0.4 -0.2 -0.1 0 -0.1 0 0.1 0.4 0.5 0.6 0.6 0.5 0.6 0.7 0.8 1 1.2 1.4 1.7 2 2.2 2.3 2.2 2 1.6 1.1 0.6 0.1 -0.3 -0.5

-0.1 0.2 0.5 0.4 0.3 0.3 0.3 0.4 0.3 0.2 0.3 0.7 0.8 0.9 1.1 0.9 0.9 0.9 0.9 0.9 0.7 0.5 0.5 0.7 0.9 1.2 1.5 2.1 2.5 2.5 2.4 2.2 1.8 1.3 -0.1 -0.6 -0.5 -1.1

-0.3 0.1 0.5 0.6 0.5 0.4 0.4 0.4 0.5 0.4 0.4 0.5 0.9 0.9 1 1.2 1 1 0.9 0.9 0.8 0.6 0.4 0.5 0.7 0.9 1.3 1.7 2.3 2.5 2.4 2.2 1.8 1.3 0.7 -0.8 -1.2 -1.1

-0.4 0 0.3 0.6 0.7 0.5 0.5 0.5 0.5 0.6 0.5 0.5 0.7 1 1 1.2 1.2 1.1 1 0.9 0.8 0.6 0.5 0.4 0.6 0.7 0.9 1.4 1.9 2.4 2.4 2.1 1.7 1.2 0.7 0 -1.4 -1.7

-0.4 -0.1 0.2 0.4 0.7 0.7 0.6 0.6 0.6 0.6 0.6 0.5 0.6 0.8 1.1 1.1 1.3 1.3 1.1 1 0.8 0.7 0.5 0.4 0.4 0.6 0.8 1 1.6 2 2.3 2.1 1.7 1.2 0.6 0 -0.6 -1.8

-0.1 -0.2 0 0.3 0.6 0.8 0.8 0.7 0.7 0.7 0.7 0.7 0.6 0.8 1 1.1 1.2 1.3 1.2 1.1 0.9 0.7 0.6 0.5 0.5 0.5 0.6 0.8 1.1 1.7 2 2 1.7 1.1 0.5 0 -0.6 -1.2

0 0.1 0 0.2 0.4 0.7 0.9 0.8 0.7 0.7 0.7 0.7 0.7 0.8 1 1.1 1.2 1.3 1.3 1 1 0.7 0.6 0.6 0.5 0.5 0.5 0.7 0.9 1.2 1.7 1.8 1.6 1.1 0.5 -0.1 -0.6 -1.1

0.3 0.2 0.3 0.1 0.3 0.5 0.7 0.9 0.9 0.8 0.7 0.7 0.7 0.8 0.9 1.1 1.2 1.2 1.3 1.3 0.8 0.8 0.6 0.6 0.5 0.6 0.6 0.6 0.7 0.9 1.2 1.6 1.5 1.1 0.5 -0.1 -0.7 -1.2

 KNU Season ASO SON OND NDJ DJF JFM FMA MAM AMJ MJJ JJA JAS ASO SON OND NDJ DJF JFM FMA MAM AMJ MJJ JJA JAS ASO SON OND NDJ DJF JFM FMA MAM AMJ MJJ JJA JAS ASO SON OND NDJ

Year 2006 2006 2006 2006 2006 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2008 2008 2008 2008 2008 2008 2008 2008 2008 2008 2008 2008 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009

Data 0.5 0.7 0.9 0.9 0.7 0.4 0.1 -0.1 -0.2 -0.3 -0.4 -0.6 -0.9 -1.1 -1.3 -1.3 -1.4 -1.3 -1.1 -0.9 -0.7 -0.5 -0.4 -0.3 -0.3 -0.4 -0.6 -0.7 -0.7 -0.6 -0.4 -0.1 0.2 0.4 0.5 0.5 0.6 0.9 1.1 1.3

Lead 1 0.8 1 0.9 0.9 0.9 1 0.6 0.1 -0.3 -0.4 -0.4 -0.4 -0.3 -0.5 -0.8 -1.1 -1.3 -1.2 -1.1 -1 -0.6 -0.4 0 0.1 0.1 0.2 0 -0.2 -0.4 -0.6 -0.5 -0.5 -0.2 0.1 0.3 0.8 1 1.1 0.8 0.8

Lead 2 0.9 1 1.1 0.9 0.9 0.9 0.9 0.6 0.1 -0.3 -0.4 -0.4 -0.4 -0.3 -0.5 -0.8 -1.1 -1.2 -1 -0.9 -0.7 -0.3 0 0.3 0.4 0.3 0.4 0.1 0 -0.3 -0.4 -0.3 -0.2 0 0.3 0.5 1 1.2 1.1 0.8

Lead 3 1 1 1 1.1 0.9 0.9 0.9 0.8 0.5 0.1 -0.2 -0.3 -0.4 -0.4 -0.3 -0.4 -0.8 -1 -1 -0.9 -0.6 -0.4 0 0.3 0.6 0.6 0.5 0.6 0.3 0.1 -0.2 -0.3 -0.1 0 0.2 0.5 0.7 1.2 1.2 1.1

Lead 4 0.7 1.1 1 0.9 1 0.9 0.9 0.8 0.8 0.5 0.1 -0.2 -0.2 -0.3 -0.4 -0.2 -0.4 -0.7 -0.8 -0.9 -0.7 -0.4 -0.2 0.2 0.4 0.7 0.7 0.6 0.6 0.4 0.2 -0.1 -0.2 0 0.1 0.3 0.7 0.9 1.2 1.2

Lead 5 0.7 0.8 1.1 0.9 0.9 0.9 0.8 0.9 0.8 0.7 0.4 0.1 -0.2 -0.2 -0.3 -0.3 -0.2 -0.3 -0.7 -0.7 -0.7 -0.5 -0.2 0 0.3 0.5 0.8 0.7 0.6 0.7 0.4 0.2 -0.1 -0.1 0.1 0.2 0.4 0.8 0.9 1.2

Lead 6 0.4 0.8 0.8 1 0.9 0.8 0.9 0.8 0.8 0.7 0.6 0.3 0.1 -0.1 -0.1 -0.3 -0.3 -0.2 -0.3 -0.5 -0.5 -0.5 -0.3 0 0.1 0.4 0.6 0.8 0.8 0.7 0.7 0.4 0.2 0 -0.1 0.2 0.3 0.5 0.8 0.9

Lead 7 0 0.4 0.8 0.8 0.9 0.8 0.8 0.8 0.7 0.7 0.6 0.5 0.2 0 -0.1 -0.1 -0.3 -0.3 -0.1 -0.2 -0.4 -0.4 -0.3 -0.1 0.1 0.2 0.5 0.7 0.9 0.8 0.7 0.7 0.4 0.2 0 -0.1 0.2 0.4 0.6 0.8


2009 2010 2010 2010 2010 2010 2010 2010 2010 2010 2010 2010 2010 2011 2011 2011 2011 2011 2011 2011 2011 2011 2011 2011 2011 2012 2012 2012 2012 2012 2012 2012 2012 2012 2012 2012 2012 2013 2013 2013 2013 2013

1.3 1.2 0.9 0.5 0 -0.4 -0.9 -1.2 -1.4 -1.5 -1.4 -1.4 -1.3 -1 -0.7 -0.5 -0.4 -0.3 -0.3 -0.6 -0.8 -0.9 -1 -0.9 -0.7 -0.5 -0.4 -0.4 -0.3 -0.1 0.1 0.3 0.3 0.3 0.1 -0.2 -0.4 -0.4 -0.3 -0.2 -0.2 -0.2

1.2 1.3 1.1 0.8 0.4 0.2 -0.7 -1.1 -1 -0.8 -1.2 -1.2 -1.1 -1.2 -1.2 -1 -0.7 -0.4 -0.1 0.1 -0.1 -0.3 -0.4 -0.6 -0.6 -0.5 -0.3 -0.3 -0.2 0.1 0.4 0.8 0.8 0.8 0.8 0.3 0.1 -0.2 -0.4 -0.4 -0.4 -0.3

0.9 1.1 1.2 1 0.7 0.3 0 -0.8 -1.1 -0.9 -0.7 -1 -1 -1 -1.1 -1.1 -0.8 -0.5 -0.1 0.3 0.3 0.1 -0.1 -0.3 -0.4 -0.4 -0.4 -0.2 -0.1 0.1 0.5 0.6 1 1 0.9 0.9 0.3 0.1 -0.2 -0.3 -0.3 -0.1

0.8 0.8 1.1 1.1 0.9 0.6 0.2 0 -0.7 -0.9 -0.7 -0.5 -0.8 -0.9 -1 -1.1 -1 -0.6 -0.2 0.2 0.5 0.5 0.3 0.1 -0.1 -0.3 -0.2 -0.3 -0.1 0.2 0.4 0.7 0.8 1.2 1.2 1 1 0.3 0.1 -0.1 -0.3 -0.1

1.1 0.8 0.8 1 1 0.8 0.5 0.1 -0.1 -0.6 -0.7 -0.6 -0.4 -0.7 -0.9 -0.9 -0.9 -0.7 -0.3 0 0.4 0.6 0.6 0.3 0.2 0 -0.1 -0.1 -0.2 0.1 0.4 0.6 0.9 1 1.3 1.3 1 1 0.4 0.2 -0.1 -0.1

1.1 1.1 0.8 0.8 0.9 0.9 0.7 0.4 0 -0.1 -0.5 -0.6 -0.5 -0.4 -0.6 -0.8 -0.8 -0.7 -0.5 -0.1 0.2 0.5 0.7 0.6 0.4 0.3 0.1 0 -0.1 -0.1 0.2 0.4 0.6 1 1 1.3 1.3 1 1 0.4 0.2 0

1.1 1.1 1 0.8 0.7 0.8 0.8 0.6 0.3 0 0 -0.4 -0.5 -0.4 -0.4 -0.6 -0.7 -0.6 -0.5 -0.3 0.1 0.3 0.6 0.8 0.7 0.5 0.3 0.2 0.1 0 0 0.3 0.5 0.7 1.1 1.1 1.2 1.2 1 1 0.4 0.2

0.9 1.1 1 0.9 0.7 0.6 0.7 0.7 0.6 0.3 0 -0.1 -0.3 -0.5 -0.5 -0.4 -0.6 -0.6 -0.4 -0.3 -0.1 0.2 0.4 0.6 0.8 0.7 0.5 0.4 0.2 0.1 0.1 0.1 0.4 0.6 0.8 1.1 1 1.2 1.2 0.9 0.9 0.3


2013 2013 2013 2013 2013 2013 2013 2014 2014 2014 2014 2014 2014 2014 2014 2014 2014 2014 2014 2015 2015 2015 2015 2015 2015 2015 2015 2015 2015 2015 2015 2016 2016 2016 2016 2016 2016 2016

-0.3 -0.3 -0.2 -0.3 -0.3 -0.3 -0.5 -0.5 -0.4 -0.2 -0.1 0 -0.1 0 0.1 0.4 0.5 0.6 0.6 0.5 0.6 0.7 0.8 1 1.2 1.4 1.7 2 2.2 2.3 2.2 2 1.6 1.1 0.6 0.1 -0.3 -0.5

-0.2 0.1 0 -0.1 -0.1 0.2 0.4 0.2 -0.1 0.1 0.4 0.5 0.8 0.8 0.7 0.8 0.6 0.6 0.8 0.7 0.5 0.5 0.5 0.8 1.1 1.4 1.8 1.9 1.8 1.7 1.7 1.7 1.6 1.3 1 0.5 -0.2 -0.7

-0.1 0 0.1 0 0 0.1 0.4 0.5 0.3 0.1 0.2 0.5 0.7 1 1.1 0.9 0.9 0.7 0.7 0.8 0.7 0.5 0.5 0.5 0.8 1.2 1.5 1.8 1.8 1.7 1.6 1.5 1.5 1.3 1 0.7 0.2 -0.5

0.1 0.2 0.1 0.2 0.1 0.1 0.2 0.5 0.6 0.4 0.2 0.3 0.6 0.8 1.2 1.2 0.9 0.9 0.7 0.8 0.8 0.6 0.5 0.5 0.5 0.9 1.3 1.6 1.7 1.7 1.5 1.5 1.4 1.3 1.1 0.8 0.4 -0.1

0 0.3 0.2 0.1 0.2 0.2 0.3 0.3 0.5 0.6 0.4 0.3 0.5 0.8 1 1.2 1.2 1 1 0.8 0.7 0.8 0.6 0.5 0.5 0.5 1 1.3 1.5 1.6 1.5 1.4 1.3 1.2 1.1 0.8 0.5 0.2

-0.1 0.2 0.4 0.2 0.2 0.3 0.3 0.3 0.3 0.5 0.6 0.4 0.3 0.6 0.9 1 1.2 1.1 1 1 0.8 0.7 0.8 0.6 0.4 0.5 0.6 1 1.3 1.4 1.4 1.4 1.3 1.2 1 0.8 0.6 0.2

0 0.1 0.2 0.4 0.3 0.3 0.4 0.4 0.4 0.4 0.5 0.5 0.4 0.4 0.7 1 1 1.1 1.1 1 0.9 0.7 0.7 0.7 0.5 0.4 0.5 0.7 1 1.2 1.3 1.3 1.2 1.1 1 0.8 0.6 0.3

0.1 0 0.1 0.2 0.4 0.3 0.3 0.4 0.4 0.4 0.4 0.5 0.5 0.4 0.5 0.8 0.9 0.9 1.1 1.1 0.9 0.9 0.7 0.6 0.7 0.5 0.4 0.5 0.6 0.9 1.1 1.1 1.1 1 0.9 0.7 0.5 0.3

 AVEDyn Season ASO SON OND NDJ DJF JFM FMA MAM AMJ MJJ JJA JAS ASO SON OND NDJ DJF JFM FMA MAM AMJ MJJ JJA JAS ASO SON OND NDJ DJF JFM FMA MAM AMJ MJJ JJA JAS ASO SON OND NDJ

Year 2006 2006 2006 2006 2006 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2008 2008 2008 2008 2008 2008 2008 2008 2008 2008 2008 2008 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009

Obs 0.5 0.7 0.9 0.9 0.7 0.4 0.1 -0.1 -0.2 -0.3 -0.4 -0.6 -0.9 -1.1 -1.3 -1.3 -1.4 -1.3 -1.1 -0.9 -0.7 -0.5 -0.4 -0.3 -0.3 -0.4 -0.6 -0.7 -0.7 -0.6 -0.4 -0.1 0.2 0.4 0.5 0.5 0.6 0.9 1.1 1.3

Lead-1 Lead-2 Lead-3 Lead-4 Lead-5 Lead-6 Lead-7 0.4 0.4 0.4 0.2 0.2 0.2 0.3 0.7 0.5 0.5 0.4 0.2 0.3 0.2 0.9 0.8 0.5 0.5 0.5 0.2 0.4 1 1 0.8 0.5 0.5 0.5 0.3 1.1 1 1 0.9 0.5 0.5 0.5 0.8 0.9 0.9 0.9 0.8 0.5 0.4 0.3 0.6 0.8 0.8 0.8 0.8 0.4 -0.1 0.2 0.4 0.7 0.7 0.8 0.7 -0.5 -0.2 0.1 0.3 0.6 0.7 0.7 -0.5 -0.6 -0.2 0 0.2 0.5 0.6 -0.7 -0.7 -0.7 -0.4 0 0.2 0.4 -0.8 -0.9 -0.8 -0.8 -0.4 0 0.1 -0.8 -0.9 -1 -0.7 -0.8 -0.4 0 -0.9 -0.8 -0.9 -0.9 -0.7 -0.7 -0.3 -1.2 -0.9 -0.7 -0.7 -0.9 -0.8 -0.7 -1.4 -1.2 -0.8 -0.6 -0.6 -0.8 -0.7 -1.6 -1.4 -1.1 -0.7 -0.5 -0.5 -0.7 -1.4 -1.5 -1.2 -0.9 -0.6 -0.3 -0.5 -1.4 -1.3 -1.3 -0.9 -0.8 -0.5 -0.2 -1.1 -1.2 -1.1 -1 -0.7 -0.6 -0.4 -0.8 -1 -1 -0.9 -0.9 -0.5 -0.4 -0.5 -0.6 -0.8 -0.8 -0.7 -0.7 -0.3 -0.2 -0.3 -0.4 -0.6 -0.7 -0.6 -0.6 0.1 0 -0.1 -0.3 -0.6 -0.6 -0.5 0.2 0.2 0.1 0 -0.2 -0.5 -0.6 0.2 0.3 0.3 0.1 0 -0.1 -0.5 -0.3 0.3 0.2 0.3 0.1 0.1 -0.1 -0.3 -0.3 0.3 0.3 0.2 0.2 0.1 -0.5 -0.3 -0.2 0.3 0.2 0.3 0.1 -0.6 -0.5 -0.2 -0.1 0.3 0.2 0.2 -0.5 -0.5 -0.4 -0.2 0 0.3 0.1 -0.4 -0.3 -0.3 -0.2 -0.1 0.1 0.2 -0.2 -0.1 -0.1 -0.1 -0.1 0 0.1 0.2 0 0.1 0.1 0 0 0.1 0.6 0.4 0.2 0.3 0.2 0.2 0 1 0.8 0.6 0.4 0.4 0.3 0.2 1.1 1.2 0.9 0.7 0.4 0.6 0.3 1.2 1.3 1.3 1.1 0.8 0.6 0.6 1.2 1.3 1.3 1.4 1.1 1 0.6 1.3 1.3 1.3 1.4 1.5 1.2 1


2009 2010 2010 2010 2010 2010 2010 2010 2010 2010 2010 2010 2010 2011 2011 2011 2011 2011 2011 2011 2011 2011 2011 2011 2011 2012 2012 2012 2012 2012 2012 2012 2012 2012 2012 2012 2012 2013 2013 2013 2013 2013

1.3 1.2 0.9 0.5 0 -0.4 -0.9 -1.2 -1.4 -1.5 -1.4 -1.4 -1.3 -1 -0.7 -0.5 -0.4 -0.3 -0.3 -0.6 -0.8 -0.9 -1 -0.9 -0.7 -0.5 -0.4 -0.4 -0.3 -0.1 0.1 0.3 0.3 0.3 0.1 -0.2 -0.4 -0.4 -0.3 -0.2 -0.2 -0.2

1.5 1.4 1.1 0.7 0.3 -0.1 -0.8 -1.2 -1.3 -1.5 -1.8 -1.7 -1.5 -1.3 -1 -0.7 -0.4 -0.2 0 0 -0.2 -0.5 -0.7 -0.9 -0.9 -0.9 -0.6 -0.3 -0.1 0.2 0.4 0.7 0.9 0.8 0.8 0.4 0.2 -0.1 -0.3 -0.2 -0.1 -0.2

1.2 1.3 1.2 0.8 0.5 -0.1 -0.4 -1 -1.2 -1.4 -1.6 -1.7 -1.6 -1.3 -1 -0.7 -0.4 -0.2 0 0.1 0 -0.2 -0.5 -0.7 -0.9 -0.7 -0.7 -0.3 -0.1 0.2 0.4 0.6 0.9 1 0.8 0.8 0.4 0.1 -0.1 -0.3 -0.2 -0.1

1.2 1.1 1.1 0.9 0.6 0.2 -0.3 -0.5 -1 -1.2 -1.4 -1.5 -1.6 -1.4 -1.1 -0.8 -0.5 -0.2 0.1 0.2 0.1 0 -0.2 -0.5 -0.7 -0.7 -0.5 -0.5 -0.1 0.2 0.4 0.6 0.7 1 1.1 0.8 0.8 0.3 0.1 -0.1 -0.2 0

1.3 1.2 1 0.9 0.7 0.4 0 -0.5 -0.6 -1 -1.1 -1.4 -1.4 -1.3 -1.1 -0.9 -0.6 -0.2 0 0.2 0.2 0.1 -0.1 -0.3 -0.4 -0.6 -0.5 -0.3 -0.3 0.1 0.3 0.6 0.7 0.8 1.1 1 0.8 0.7 0.3 0.1 0 -0.1

1.3 1.2 1 0.9 0.7 0.5 0.2 -0.1 -0.5 -0.6 -1 -1.1 -1.2 -1.1 -1.1 -0.9 -0.6 -0.4 0 0.1 0.3 0.3 0.1 -0.1 -0.2 -0.3 -0.4 -0.3 -0.1 -0.1 0.3 0.4 0.6 0.8 0.9 1 0.9 0.7 0.6 0.3 0.1 0.1

1.4 1.1 1 0.9 0.7 0.5 0.4 0.1 -0.2 -0.5 -0.7 -1.1 -0.9 -1.1 -0.9 -1 -0.8 -0.5 -0.4 -0.1 0 0.3 0.4 0.1 -0.1 -0.2 -0.2 -0.4 -0.2 -0.1 0 0.3 0.4 0.6 0.8 0.8 0.9 0.8 0.6 0.4 0.4 0.1

1.1 1.2 0.9 0.8 0.8 0.5 0.3 0.2 -0.1 -0.2 -0.6 -0.7 -1 -0.7 -0.9 -0.7 -0.9 -0.6 -0.3 -0.3 -0.1 -0.1 0.3 0.2 0 -0.2 -0.2 -0.2 -0.4 -0.1 0 0.1 0.3 0.3 0.7 0.8 0.8 0.8 0.6 0.4 0.3 0.3


2013 2013 2013 2013 2013 2013 2013 2014 2014 2014 2014 2014 2014 2014 2014 2014 2014 2014 2014 2015 2015 2015 2015 2015 2015 2015 2015 2015 2015 2015 2015 2016 2016 2016 2016 2016 2016 2016

-0.3 -0.3 -0.2 -0.3 -0.3 -0.3 -0.5 -0.5 -0.4 -0.2 -0.1 0 -0.1 0 0.1 0.4 0.5 0.6 0.6 0.5 0.6 0.7 0.8 1 1.2 1.4 1.7 2 2.2 2.3 2.2 2 1.6 1.1 0.6 0.1 -0.3 -0.5

-0.2 -0.2 -0.1 0 -0.1 0 0 -0.1 -0.1 -0.1 0.4 0.6 0.6 0.5 0.5 0.6 0.6 0.8 0.8 0.6 0.5 0.6 0.8 1.2 1.5 1.8 2.2 2.4 2.5 2.6 2.5 2.2 1.8 1.3 0.6 -0.4 -0.5 -0.5

-0.1 -0.2 -0.2 -0.1 0 -0.1 0 0 0 0 0.2 0.6 0.7 0.7 0.7 0.6 0.7 0.6 0.8 0.8 0.6 0.6 0.8 1 1.4 1.6 2 2.4 2.5 2.5 2.4 2.1 1.7 1.3 0.8 0 -0.8 -0.7

0 0 -0.1 -0.2 0 0.1 0 0.1 0.1 0.2 0.2 0.4 0.8 0.8 0.8 0.8 0.7 0.7 0.7 0.8 0.8 0.6 0.7 1 1.2 1.5 1.6 2.1 2.5 2.5 2.3 2.1 1.7 1.2 0.8 0.3 -0.5 -0.9

0.1 0.1 0 0 -0.1 0 0.1 0.1 0.2 0.2 0.3 0.4 0.6 1 0.9 0.9 0.8 0.7 0.8 0.7 0.8 0.7 0.6 0.8 1.1 1.3 1.6 1.7 2.2 2.5 2.3 2.1 1.7 1.2 0.7 0.2 -0.2 -0.7

0 0.1 0.1 0.1 0 0 0.1 0.2 0.2 0.3 0.3 0.5 0.5 0.7 1.1 0.9 0.9 0.9 0.8 0.8 0.7 0.8 0.7 0.7 1 1.2 1.4 1.7 1.8 2.1 2.3 2 1.6 1.3 0.7 0.1 -0.2 -0.4

0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.2 0.3 0.2 0.4 0.4 0.5 0.5 0.7 1.1 0.9 0.9 0.9 0.8 0.8 0.7 0.8 0.8 0.7 0.9 1.1 1.3 1.6 1.6 1.9 2 1.8 1.3 0.9 0.3 -0.4 -0.4

0.2 0.1 0.1 0.1 0.1 0.2 0.1 0.1 0.3 0.3 0.3 0.4 0.5 0.5 0.5 0.8 1.2 0.9 0.9 0.8 0.7 0.8 0.7 0.8 0.8 0.7 0.9 1.1 1.3 1.6 1.6 1.7 1.7 1.5 0.8 0.5 -0.1 -0.7

VERIFIKASI PREDIKSI ENSO MUSIMAN MODEL DINAMIK OPERASIONAL IRI (INTERNATIONAL RESEARCH INSTITUTE) A N D I K A H

Recommend Documents